本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# Amazon MWAA 上的 Apache Airflow 的性能调整
<a name="best-practices-tuning"></a>

本主题介绍如何使用 [在 Amazon MWAA 上使用 Apache Airflow 配置选项](configuring-env-variables.md) 调整 Amazon MWAA 环境的性能。

**Contents**
+ [添加 Apache Airflow 配置选项。](#best-practices-tuning-console-add)
+ [Apache Airflow 计划程序](#best-practices-tuning-scheduler)
  + [参数](#best-practices-tuning-scheduler-params)
  + [限制](#best-practices-tuning-scheduler-limits)
+ [DAG 文件夹](#best-practices-tuning-dag-folders)
  + [参数](#best-practices-tuning-dag-folders-params)
+ [DAG 文件](#best-practices-tuning-dag-files)
  + [参数](#best-practices-tuning-dag-files-params)
+ [任务](#best-practices-tuning-tasks)
  + [参数](#best-practices-tuning-tasks-params)

## 添加 Apache Airflow 配置选项。
<a name="best-practices-tuning-console-add"></a>

执行以下过程将 Airflow 配置选项添加到环境中。

1. 在 Amazon MWAA 控制台上打开[环境页面](https://console.aws.amazon.com/mwaa/home#/environments)。

1. 选择环境。

1. 选择**编辑**。

1. 选择**下一步**。

1. 在 **Airflow 配置选项**窗格中选择**添加自定义**配置。

1. 从下拉列表中选择配置并输入值，或者输入自定义配置并输入值。

1. 为每个您想要添加的配置选择**添加自定义配置选项**。

1. 选择**保存**。

要了解更多信息，请参阅 [在 Amazon MWAA 上使用 Apache Airflow 配置选项](configuring-env-variables.md)。

## Apache Airflow 计划程序
<a name="best-practices-tuning-scheduler"></a>

Apache Airflow 计划程序是 Apache Airflow 的核心组件。调度程序出现问题可能会导致无法 DAGs 解析和调度任务。有关 Apache Airflow 计划程序调整的更多信息，请参阅 Apache Airflow 文档网站中的[微调计划程序性能](https://airflow.apache.org/docs/apache-airflow/2.2.2/concepts/scheduler.html#fine-tuning-your-scheduler-performance)。

### 参数
<a name="best-practices-tuning-scheduler-params"></a>

本节介绍可用于 Apache Airflow 计划程序（Apache Airflow v2 和更高版本）的配置选项及其使用案例。

------
#### [ Apache Airflow v3 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[celery.sync\$1parallelism](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#parallelism)** Celery 执行程序用于同步任务状态的进程数。 **默认值**：1  |  您可以使用此选项通过限制 Celery 执行程序使用的进程来防止队列冲突。默认情况下，将值设置为，`1`以防止在将任务日志传送到 CloudWatch 日志时出错。将该值设为 `0` 意味着使用最大进程数，但在传送任务日志时可能会导致错误。  | 
|  **[scheduler.scheduler\$1idle\$1sleep\$1time](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#scheduler-idle-sleep-time)** 在计划程序“循环”中连续处理 DAG 文件之间等待的秒数。 **默认值**：1  |  在计划程序检索 DAG 解析结果、查找任务和对任务进行排队以及在*执行程序*中执行排队任务后，您可以使用此选项通过**延长**计划程序的休眠时间来释放计划程序上的 CPU 使用率。增加此值会消耗在 Apache Airflow v2 和 Apache Airflow v3 的 `dag_processor.parsing_processes` 的环境中运行的计划程序线程数。这可能会降低调度程序的解析能力 DAGs，并增加填充 DAGs 到 Web 服务器所需的时间。  | 
|  **[scheduler.max\$1dagruns\$1to\$1create\$1per\$1loop](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#max-dagruns-to-create-per-loop)** *DagRuns*为每个调度程序 “循环” 创建的最大数量。 DAGs  **默认值**：10  |  您可以使用此选项通过**减少**调度程序 “循环” 的最大数量来腾出资源*DagRuns*用于调度任务。  | 
|  **[dag\$1processor.parsing\$1processes](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#parsing-processes)** 调度器可以并行运行的线程 DAGs数。 **默认：**使用 `(2 * number of vCPUs) - 1`  |  您可以使用此选项通过**减少**调度程序并行运行以解析 DAGs的进程数量来释放资源。如果 DAG 解析影响任务调度，我们建议将此数量保持在较低水平。您**必须**指定一个小于环境中 vCPU 计数的值。要了解更多信息，请参阅[限制](#best-practices-tuning-scheduler-limits)。  | 

------
#### [ Apache Airflow v2 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[celery.sync\$1parallelism](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#parallelism)** Celery 执行程序用于同步任务状态的进程数。 **默认值**：1  |  您可以使用此选项通过限制 Celery 执行程序使用的进程来防止队列冲突。默认情况下，将值设置为，`1`以防止在将任务日志传送到 CloudWatch 日志时出错。将该值设为 `0` 意味着使用最大进程数，但在传送任务日志时可能会导致错误。  | 
|  **[scheduler.idle\$1sleep\$1time](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#scheduler-idle-sleep-time)** 在计划程序“循环”中连续处理 DAG 文件之间等待的秒数。 **默认值**：1  |  在计划程序检索 DAG 解析结果、查找任务和对任务进行排队以及在*执行程序*中执行排队任务后，您可以使用此选项通过**延长**计划程序的休眠时间来释放计划程序上的 CPU 使用率。增加此值会消耗在 Apache Airflow v2 和 Apache Airflow v3 的 `scheduler.parsing_processes` 的环境中运行的计划程序线程数。这可能会降低调度程序的解析能力 DAGs，并增加填充 DAGs 到 Web 服务器所需的时间。  | 
|  **[scheduler.max\$1dagruns\$1to\$1create\$1per\$1loop](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#max-dagruns-to-create-per-loop)** *DagRuns*为每个调度程序 “循环” 创建的最大数量。 DAGs  **默认值**：10  |  您可以使用此选项通过**减少**调度程序 “循环” 的最大数量来腾出资源*DagRuns*用于调度任务。  | 
|  **[scheduler.parsing\$1processes](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#parsing-processes)** 调度器可以并行运行的线程 DAGs数。 **默认：**使用 `(2 * number of vCPUs) - 1`  |  您可以使用此选项通过**减少**调度程序并行运行以解析 DAGs的进程数量来释放资源。如果 DAG 解析影响任务调度，我们建议将此数量保持在较低水平。您**必须**指定一个小于环境中 vCPU 计数的值。要了解更多信息，请参阅[限制](#best-practices-tuning-scheduler-limits)。  | 

------

### 限制
<a name="best-practices-tuning-scheduler-limits"></a>

本节介绍调整计划程序的默认参数时要考虑的限制。<a name="scheduler-considerations"></a>

**scheduler.parsing\$1processes、scheduler.max\$1threads（仅限于 v2）**  
对于环境类，每个 vCPU 允许使用两个线程。必须为环境类的计划程序保留至少一个线程。如果您发现任务计划出现延迟，则可能需要增加[环境类](environment-class.md)。例如，大型环境为其计划程序设有一个 4 vCPU 的 Fargate 容器实例。这意味着可供其他进程使用的 `7` 个线程总数的上限。也就是说，两个线程乘以四 vCPUs，调度器本身减一。您在 `scheduler.max_threads`（仅限于 v2）和 `scheduler.parsing_processes` 中指定的值不得超过环境类的可用线程数，如下所列：  
+ **mw1.small** — 其他进程不得超过 `1` 个线程。剩下的线程是为计划程序保留的。
+ **mw1.medium** — 其他进程不得超过 `3` 个线程。剩下的线程是为计划程序保留的。
+ **mw1.large** — 其他进程不得超过 `7` 个线程。剩下的线程是为计划程序保留的。

## DAG 文件夹
<a name="best-practices-tuning-dag-folders"></a>

Apache Airflow 调度程序会持续扫描您环境 DAGs 中的文件夹。任何包含的 `plugins.zip` 文件，或包含“Airflow”导入语句的 Python (`.py`) 文件。然后，所有生成的 Python DAG 对象都将放入该文件中，由调度器处理，以确定需要安排哪些任务（如果有）。*DagBag*无论文件是否包含任何可行的 DAG 对象，都会进行 DAG 文件解析。

### 参数
<a name="best-practices-tuning-dag-folders-params"></a>

本节介绍该 DAGs 文件夹（Apache Airflow v2 及更高版本）可用的配置选项及其用例。

------
#### [ Apache Airflow v3 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[dag\$1processor.refresh\$1interval](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#config-dag-processor-refresh-interval)** 必须扫描 DAGs 文件夹以查找新文件的秒数。 **默认值：**300 秒  |  您可以使用此选项通过**增加**解析 DAGs 文件夹的秒数来释放资源。如果您的解析时间很长`total_parse_time metrics`，这可能是由于您的 DAGs 文件夹中有大量文件所致，我们建议您增加此值。  | 
|  **[dag\$1processor.min\$1file\$1process\$1interval](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#min-file-process-interval)** 反映计划程序解析 DAG 并更新 DAG 之后的秒数。 **默认值：**30 秒  |  您可以使用此选项通过**增加**计划程序在解析 DAG 之前等待的秒数来释放资源。例如，如果指定 `30` 的值，则将每 30 秒解析一次 DAG 文件。我们建议将此秒数保持在较高水平，以减小环境上的 CPU 使用率。  | 

------
#### [ Apache Airflow v2 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[scheduler.dag\$1dir\$1list\$1interval](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#dag-dir-list-interval)** 必须扫描 DAGs 文件夹以查找新文件的秒数。 **默认值：**300 秒  |  您可以使用此选项通过**增加**解析 DAGs 文件夹的秒数来释放资源。如果您的解析时间很长`total_parse_time metrics`，这可能是由于您的 DAGs 文件夹中有大量文件所致，我们建议您增加此值。  | 
|  **[scheduler.min\$1file\$1process\$1interval](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#min-file-process-interval)** 反映计划程序解析 DAG 并更新 DAG 之后的秒数。 **默认值：**30 秒  |  您可以使用此选项通过**增加**计划程序在解析 DAG 之前等待的秒数来释放资源。例如，如果指定 `30` 的值，则将每 30 秒解析一次 DAG 文件。我们建议将此秒数保持在较高水平，以减小环境上的 CPU 使用率。  | 

------

## DAG 文件
<a name="best-practices-tuning-dag-files"></a>

作为 Apache Airflow 计划程序循环的一部分，将解析单个 DAG 文件以提取 DAG Python 对象。在 Apache Airflow v2 及更高版本中，计划程序可以同时解析最大数量的[解析进程](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#parsing-processes)。`scheduler.min_file_process_interval` (v2) 或 `dag_processor.min_file_process_interval` (v3) 中指定的秒数必须流逝后，才能再次解析同一个文件。

### 参数
<a name="best-practices-tuning-dag-files-params"></a>

本节介绍可用于 Apache Airflow DAG 文件的配置选项（Apache Airflow v2 和更高版本）及其使用案例。

------
#### [ Apache Airflow v3 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[dag\$1processor.dag\$1file\$1processor\$1timeout](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#dag-file-processor-timeout)** 处理 DAG 文件超*DagFileProcessor*时之前的秒数。 **默认值：**50 秒  |  您可以使用此选项通过**增加**超时之前所需的时间来释放资源。*DagFileProcessor*如果您在 DAG 处理日志中遇到超时导致无法加载可行 DAGs 数据，我们建议您增加此值。  | 
|  **[core.dagbag\$1import\$1timeout](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#dagbag-import-timeout)** 导入 Python 文件之前的秒数超时。 **默认值：**30 秒  |  在导入 Python 文件来提取 DAG 对象的同时**延长**计划程序超时之前所需的时间，您可以使用此选项来释放资源。此选项作为计划程序“循环”的一部分进行处理，并且必须包含一个小于 `dag_processor.dag_file_processor_timeout` 中指定值的值。  | 
|  **[core.min\$1serialized\$1dag\$1update\$1interval](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#min-serialized-dag-update-interval)** 更新数据库 DAGs 中序列化的最小秒数。 **默认值：**30  |  您可以使用此选项通过**增加**更新数据库 DAGs 中序列化的秒数来释放资源。如果您有大量或很复杂，我们建议您增加此值 DAGs。 DAGs增加此值可减少序列化后的调度程序和数据库 DAGs 的负载。  | 
|  **[core.min\$1serialized\$1dag\$1fetch\$1interval](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#min-serialized-dag-fetch-interval)** 序列化的 DAG 已加载到数据库中时从数据库中重新提取的秒数。 DagBag **默认值**：10  |  通过**增加**序列化的 DAG 重新提取的秒数，您可以使用此选项来释放资源。该值必须大于 `core.min_serialized_dag_update_interval` 中指定的值才能降低数据库的“写入”速率。增加此值可减少序列化后的 Web 服务器和数据库 DAGs 的负载。  | 

------
#### [ Apache Airflow v2 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[core.dag\$1file\$1processor\$1timeout](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#dag-file-processor-timeout)** 处理 DAG 文件超*DagFileProcessor*时之前的秒数。 **默认值：**50 秒  |  您可以使用此选项通过**增加**超时之前所需的时间来释放资源。*DagFileProcessor*如果您在 DAG 处理日志中遇到超时导致无法加载可行 DAGs 数据，我们建议您增加此值。  | 
|  **[core.dagbag\$1import\$1timeout](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#dagbag-import-timeout)** 导入 Python 文件之前的秒数超时。 **默认值：**30 秒  |  在导入 Python 文件来提取 DAG 对象的同时**延长**计划程序超时之前所需的时间，您可以使用此选项来释放资源。此选项作为计划程序“循环”的一部分进行处理，并且必须包含一个小于 `core.dag_file_processor_timeout` 中指定值的值。  | 
|  **[core.min\$1serialized\$1dag\$1update\$1interval](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#min-serialized-dag-update-interval)** 更新数据库 DAGs 中序列化的最小秒数。 **默认值：**30  |  您可以使用此选项通过**增加**更新数据库 DAGs 中序列化的秒数来释放资源。如果您有大量或很复杂，我们建议您增加此值 DAGs。 DAGs增加此值可减少序列化后的调度程序和数据库 DAGs 的负载。  | 
|  **[core.min\$1serialized\$1dag\$1fetch\$1interval](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#min-serialized-dag-fetch-interval)** 序列化的 DAG 已加载到数据库中时从数据库中重新提取的秒数。 DagBag **默认值**：10  |  通过**增加**序列化的 DAG 重新提取的秒数，您可以使用此选项来释放资源。该值必须大于 `core.min_serialized_dag_update_interval` 中指定的值才能降低数据库的“写入”速率。增加此值可减少序列化后的 Web 服务器和数据库 DAGs 的负载。  | 

------

## 任务
<a name="best-practices-tuning-tasks"></a>

Apache Airflow 计划程序和工作线程都参与排队和出队任务。计划程序将已解析的准备调度的任务从**无**状态变为**已计划**状态。也在 Fargate 的计划程序容器上运行的执行程序，对这些任务进行排队并将其状态设置为**已排队**。当工作线程有容量时，它会从队列中提取任务并将状态设置为**正在运行**，然后根据任务成功还是失败将其状态更改为**成功**或**失败**。

### 参数
<a name="best-practices-tuning-tasks-params"></a>

本节介绍可用于 Apache Airflow 任务的配置选项及其用例。

标记 Amazon MWAA 覆盖的默认配置选项。*red*

------
#### [ Apache Airflow v3 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[core.parallelism](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#parallelism)** 状态为 `Running` 的最大任务实例数。 **默认值：**基于 `(maxWorkers * maxCeleryWorkers) / schedulers * 1.5` 动态设置。  |  通过**增加**可以同时运行的任务实例数，您可以使用此选项来释放资源。指定的值必须为可用工作线程数乘以工作线程任务密度。建议您仅在有大量任务处于“正在运行”或“已排队”状态时才更改此值。  | 
|  **[core.execute\$1tasks\$1new\$1python\$1interpreter](https://airflow.apache.org/docs/apache-airflow/3.0.6/configurations-ref.html#execute-tasks-new-python-interpreter)** 确定 Apache Airflow 是通过分叉父进程还是通过创建新的 Python 进程来执行任务。 **默认值**：`True`  |  设置为 `True` 时，Apache Airflow 会将您对插件所做的更改识别为为执行任务而创建的新 Python 进程。  | 
|  **[celery.worker\$1concurrency](https://airflow.apache.org/docs/apache-airflow-providers-celery/stable/configurations-ref.html#worker-concurrency)** Amazon MWAA 会覆盖此选项的 Airflow 基础版安装，以作为自动扩缩组件的一部分扩缩工作线程。 **默认值：**不适用  |  *Any value specified for this option is ignored.*  | 
|  **[celery.worker\$1autoscale](https://airflow.apache.org/docs/apache-airflow-providers-celery/stable/configurations-ref.html#worker-autoscale)** 工作线程的任务并发度。 **默认值：** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/mwaa/latest/userguide/best-practices-tuning.html)  |  通过**降低**工作线程的 `minimum`、`maximum` 任务并发度，您可以使用此选项来释放资源。无论是否有足够的资源，工作人员最多可以接受配置的`maximum`并发任务。如果在没有足够资源的情况下调度任务，则任务会立即失败。我们建议为资源密集型任务更改此值，方法是将该值减少到小于默认值，以允许每个任务有更多容量。  | 

------
#### [ Apache Airflow v2 ]


| 配置 | 使用案例 | 
| --- | --- | 
|  **[core.parallelism](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#parallelism)** 状态为 `Running` 的最大任务实例数。 **默认值：**基于 `(maxWorkers * maxCeleryWorkers) / schedulers * 1.5` 动态设置。  |  通过**增加**可以同时运行的任务实例数，您可以使用此选项来释放资源。指定的值必须为可用工作线程数乘以工作线程任务密度。建议您仅在有大量任务处于“正在运行”或“已排队”状态时才更改此值。  | 
|  **[core.dag\$1concurrency](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#dag-concurrency)** 允许为每个 DAG 同时运行的任务实例数。 **默认值：**10000  |  通过**增加**可以并发运行的任务实例数，您可以使用此选项来释放资源。例如，如果您有一百个包含十 DAGs 个并行任务，并且您 DAGs 希望所有任务同时运行，则可以将最大并行度计算为可用工作器数量乘以中的工作人员任务密度`celery.worker_concurrency`，再除以数量。 DAGs  | 
|  **[core.execute\$1tasks\$1new\$1python\$1interpreter](https://airflow.apache.org/docs/apache-airflow/2.10.3/configurations-ref.html#execute-tasks-new-python-interpreter)** 确定 Apache Airflow 是通过分叉父进程还是通过创建新的 Python 进程来执行任务。 **默认值**：`True`  |  设置为 `True` 时，Apache Airflow 会将您对插件所做的更改识别为为执行任务而创建的新 Python 进程。  | 
|  **[celery.worker\$1concurrency](https://airflow.apache.org/docs/apache-airflow-providers-celery/stable/configurations-ref.html#worker-concurrency)** Amazon MWAA 会覆盖此选项的 Airflow 基础版安装，以作为自动扩缩组件的一部分扩缩工作线程。 **默认值：**不适用  |  *Any value specified for this option is ignored.*  | 
|  **[celery.worker\$1autoscale](https://airflow.apache.org/docs/apache-airflow-providers-celery/stable/configurations-ref.html#worker-autoscale)** 工作线程的任务并发度。 **默认值：** [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/zh_cn/mwaa/latest/userguide/best-practices-tuning.html)  |  通过**降低**工作线程的 `minimum`、`maximum` 任务并发度，您可以使用此选项来释放资源。无论是否有足够的资源，工作人员最多可以接受配置的`maximum`并发任务。如果在没有足够资源的情况下调度任务，则任务会立即失败。我们建议为资源密集型任务更改此值，方法是将该值减少到小于默认值，以允许每个任务有更多容量。  | 

------