一旦 Airflow 的核心组件发生故障，整个系统就面临停滞的风险。因此，我们必须建立至少一条监控规则：实时检查各个组件是否仍在正常运行。

在多年运维 Airflow 的过程中，我发现仅仅部署 DAG 远远不够，真正的挑战在于如何持续追踪和分析系统的运行状况。

这篇文章是我在学习和实践 Airflow 2.x 后的经验总结，重点探讨两个层面的监控策略：

1. 核心 Airflow 组件的健康状态（包括调度器、元数据库、触发器、执行器和 Web 服务器）

2. DAG 运行状态的监控方法（涉及日志分析、告警机制、SLA 保障和性能优化）

撰写这篇文章的初衷很简单：很多团队在初期容易低估监控的重要性，等到问题集中爆发时往往手忙脚乱。我自己也踩过不少坑，希望用更接地气的方式把经验沉淀下来。

主动监控与抑制式监控

在深入讨论之前，我们需要先厘清两个基础概念：

• 主动监控是指定期探测服务的健康状态，比如调用 /health 接口，一旦发现异常立即触发告警。