Le 15 septembre 2026, toutes les versions de Cloud Composer 1 et les versions 2.0.x de Cloud Composer 2 arriveront en fin de vie comme prévu. Vous ne pourrez pas utiliser d'environnements avec ces versions. Nous vous recommandons de planifier la migration vers Cloud Composer 3. Les versions 2.1.x et ultérieures de Cloud Composer 2 restent compatibles et ne sont pas concernées par ce changement.

Cette page a été traduite par l'API Cloud Translation.

Utiliser CeleryKubernetesExecutor

Cloud Composer 3 | Cloud Composer 2 | Cloud Composer 1

Cette page explique comment activer CeleryKubernetesExecutor dans Cloud Composer et comment utiliser KubernetesExecutor dans vos DAG.

À propos de CeleryKubernetesExecutor

CeleryKubernetesExecutor est un type d'exécuteur qui peut utiliser CeleryExecutor et KubernetesExecutor en même temps. Airflow sélectionne l'exécuteur en fonction de la file d'attente que vous définissez pour la tâche. Dans un DAG, vous pouvez exécuter certaines tâches avec CeleryExecutor et d'autres avec KubernetesExecutor :

CeleryExecutor est optimisé pour l'exécution rapide et évolutive des tâches.
KubernetesExecutor est conçu pour l'exécution de tâches gourmandes en ressources et l'exécution de tâches de manière isolée.

CeleryKubernetesExecutor dans Cloud Composer

CeleryKubernetesExecutor dans Cloud Composer vous permet d'utiliser KubernetesExecutor pour vos tâches. Il n'est pas possible d'utiliser KubernetesExecutor dans Cloud Composer séparément de CeleryKubernetesExecutor.

Cloud Composer exécute les tâches que vous exécutez avec KubernetesExecutor dans le cluster de votre environnement, dans le même espace de noms que les nœuds de calcul Airflow. Ces tâches ont les mêmes liaisons que les nœuds de calcul Airflow et peuvent accéder aux ressources de votre projet.

Les tâches que vous exécutez avec KubernetesExecutor utilisent le modèle de tarification Cloud Composer, car les pods associés à ces tâches s'exécutent dans le cluster de votre environnement. Les SKU Compute Cloud Composer (pour le processeur, la mémoire et le stockage) s'appliquent à ces pods.

Nous vous recommandons d'exécuter des tâches avec CeleryExecutor dans les cas suivants :

Le temps de démarrage des tâches est important.
Les tâches ne nécessitent pas d'isolation de l'exécution et ne sont pas gourmandes en ressources.

Nous vous recommandons d'exécuter des tâches avec KubernetesExecutor dans les cas suivants :

Les tâches nécessitent une isolation de l'environnement d'exécution. Par exemple, pour que les tâches ne soient pas en concurrence pour la mémoire et le processeur, car elles s'exécutent dans leurs propres pods.
Les tâches sont gourmandes en ressources et vous souhaitez contrôler les ressources de processeur et de mémoire disponibles.

Comparaison entre KubernetesExecutor et KubernetesPodOperator

L'exécution de tâches avec KubernetesExecutor est semblable à l'exécution de tâches à l'aide de KubernetesPodOperator. Les tâches sont exécutées dans des pods, ce qui permet d'isoler les tâches au niveau des pods et de mieux gérer les ressources.

Toutefois, il existe quelques différences essentielles :

KubernetesExecutor n'exécute les tâches que dans l'espace de noms Cloud Composer versionné de votre environnement. Il n'est pas possible de modifier cet espace de noms dans Cloud Composer. Vous pouvez spécifier un espace de noms dans lequel KubernetesPodOperator exécute les tâches de pod.
KubernetesExecutor peut utiliser n'importe quel opérateur Airflow intégré. KubernetesPodOperator n'exécute qu'un script fourni, défini par le point d'entrée du conteneur.
KubernetesExecutor utilise l'image Docker Cloud Composer par défaut avec les mêmes remplacements d'options de configuration Python et Airflow, les mêmes variables d'environnement et les mêmes packages PyPI que ceux définis dans votre environnement Cloud Composer.

À propos des images Docker

Par défaut, KubernetesExecutor lance les tâches à l'aide de la même image Docker que celle utilisée par Cloud Composer pour les nœuds de calcul Celery. Il s'agit de l'image Cloud Composer pour votre environnement, avec toutes les modifications que vous avez spécifiées pour votre environnement, telles que les packages PyPI personnalisés ou les variables d'environnement.

Avant de commencer

Vous pouvez utiliser CeleryKubernetesExecutor dans Cloud Composer 3.
Il n'est pas possible d'utiliser un autre exécuteur que CeleryKubernetesExecutor dans Cloud Composer 3. Cela signifie que vous pouvez exécuter des tâches à l'aide de CeleryExecutor, de KubernetesExecutor ou des deux dans un même DAG, mais qu'il n'est pas possible de configurer votre environnement pour qu'il n'utilise que KubernetesExecutor ou CeleryExecutor.

Configurer CeleryKubernetesExecutor

Vous pouvez remplacer les options de configuration Airflow existantes liées à KubernetesExecutor :

[kubernetes]worker_pods_creation_batch_size

Cette option définit le nombre d'appels de création de pods de nœuds de calcul Kubernetes par boucle de programmateur. La valeur par défaut est 1. Par conséquent, un seul pod est lancé par battement de cœur du planificateur. Si vous utilisez KubernetesExecutor de manière intensive, nous vous recommandons d'augmenter cette valeur.
[kubernetes]worker_pods_pending_timeout

Cette option définit, en secondes, la durée pendant laquelle un nœud de calcul peut rester à l'état Pending (création du pod) avant d'être considéré comme ayant échoué. La valeur par défaut est de cinq minutes.

Exécuter des tâches avec KubernetesExecutor ou CeleryExecutor

Vous pouvez exécuter des tâches à l'aide de CeleryExecutor, KubernetesExecutor ou des deux dans un même DAG :

Pour exécuter une tâche avec KubernetesExecutor, spécifiez la valeur kubernetes dans le paramètre queue d'une tâche.
Pour exécuter une tâche avec CeleryExecutor, omettez le paramètre queue.

L'exemple suivant exécute la tâche task-kubernetes à l'aide de KubernetesExecutor et la tâche task-celery à l'aide de CeleryExecutor :

import datetime
import airflow
from airflow.operators.python_operator import PythonOperator

with airflow.DAG(
  "composer_sample_celery_kubernetes",
  start_date=datetime.datetime(2022, 1, 1),
  schedule="@daily") as dag:

  def kubernetes_example():
      print("This task runs using KubernetesExecutor")

  def celery_example():
      print("This task runs using CeleryExecutor")

  # To run with KubernetesExecutor, set queue to kubernetes
  task_kubernetes = PythonOperator(
    task_id='task-kubernetes',
    python_callable=kubernetes_example,
    dag=dag,
    queue='kubernetes')

  # To run with CeleryExecutor, omit the queue argument
  task_celery = PythonOperator(
    task_id='task-celery',
    python_callable=celery_example,
    dag=dag)

  task_kubernetes >> task_celery

Exécuter des commandes de CLI Airflow liées à KubernetesExecutor

Vous pouvez exécuter plusieurs commandes de CLI Airflow liées à KubernetesExecutor à l'aide de gcloud.

Personnaliser la spécification du pod de nœud de calcul

Vous pouvez personnaliser la spécification du pod de nœud de calcul en la transmettant dans le paramètre executor_config d'une tâche. Vous pouvez l'utiliser pour définir des exigences personnalisées en termes de processeur et de mémoire.

Vous pouvez remplacer l'intégralité de la spécification du pod de nœud de calcul utilisée pour exécuter une tâche. Pour récupérer la spécification de pod d'une tâche utilisée par KubernetesExecutor, vous pouvez exécuter la commande kubernetes generate-dag-yaml de la CLI Airflow.

Pour en savoir plus sur la personnalisation de la spécification de pod de nœud de calcul, consultez la documentation Airflow.

Cloud Composer 3 est compatible avec les valeurs suivantes pour les exigences en termes de ressources :

Ressource	Minimum	Maximum	Étape
Processeur	0,25	32	Valeurs de l'incrément : 0,25, 0,5, 1, 2, 4, 6, 8, 10, ..., 32. Les valeurs demandées sont arrondies à la valeur de pas acceptée la plus proche (par exemple, 5 devient 6).
Mémoire	2G (Go)	128 Go	Valeurs de l'incrément : 2, 3, 4, 5, ..., 128. Les valeurs demandées sont arrondies à la valeur de pas compatible la plus proche (par exemple, 3,5 G à 4 G).
Stockage	-	100G (Go)	N'importe quelle valeur. Si plus de 100 Go sont demandés, seuls 100 Go sont fournis.

Pour en savoir plus sur les unités de ressources dans Kubernetes, consultez Unités de ressources dans Kubernetes.

L'exemple suivant montre une tâche qui utilise une spécification de pod de nœud de calcul personnalisée :

PythonOperator(
    task_id='custom-spec-example',
    python_callable=f,
    dag=dag,
    queue='kubernetes',
    executor_config={
        'pod_override': k8s.V1Pod(
            spec=k8s.V1PodSpec(
                containers=[
                    k8s.V1Container(
                        name='base',
                        resources=k8s.V1ResourceRequirements(requests={
                            'cpu': '0.5',
                            'memory': '2G',
                        })
                    ),
                ],
            ),
        )
    },
)

Afficher les journaux des tâches

Les journaux des tâches exécutées par KubernetesExecutor sont disponibles dans l'onglet Journaux, ainsi que les journaux des tâches exécutées par CeleryExecutor :

Dans la console Google Cloud , accédez à la page Environnements.

Accéder à la page Environnements
Dans la liste des environnements, cliquez sur le nom de votre environnement. La page Détails de l'environnement s'ouvre.
Accédez à l'onglet Journaux.
Accédez à Tous les journaux > Journaux Airflow > Nœuds de calcul.
Les nœuds de calcul nommés airflow-k8s-worker exécutent les tâches KubernetesExecutor. Pour rechercher les journaux d'une tâche spécifique, vous pouvez utiliser un ID de DAG ou de tâche comme mot clé dans la recherche.