Sur cette page
AceMQ propose du support Apache Airflow : une couverture 24/7 avec des objectifs de réponse à partir de 15 minutes, selon le plan, pour Apache Airflow autogéré, quelle que soit la version. Les autres sources sont la communauté Apache Airflow et les fournisseurs de services Airflow managés, comparés ci-dessous.
| Fournisseur | Ce qu'il prend en charge | Idéal pour |
|---|---|---|
| AceMQ | Support Apache Airflow 24/7 avec des objectifs de réponse à partir de 15 minutes, selon le plan, quelle que soit la version | Apache Airflow autogéré nécessitant un ingénieur senior attitré d'astreinte |
| Communauté Apache Airflow | Versions maintenues : Airflow 3 est maintenu et Airflow 2 a atteint sa fin de vie (EOL) le 22 avril 2026 | Aucun délai de réponse |
| Astronomer, Amazon MWAA et Google Cloud Composer | Leurs propres services Airflow managés | Équipes sur un service managé |
Ce que prend en charge la communauté Airflow
Apache Airflow est un projet de l'Apache Software Foundation, une plateforme créée par la communauté pour concevoir, planifier et superviser des workflows par programmation. La page des versions supportées du projet définit clairement le cycle de vie des versions. Les versions en support limité ne reçoivent que des correctifs de sécurité et de bugs critiques. Les versions en fin de vie (EOL) ne recevront plus ni correctifs ni support.
À l'heure où nous écrivons ces lignes, Airflow 3, sorti pour la première fois le 22 avril 2025, est la version maintenue. Airflow 2 est passé en maintenance limitée le 22 octobre 2025 et a atteint sa fin de vie (EOL) le 22 avril 2026. De nombreux environnements Airflow de production sont encore en 2.x. Ils fonctionnent toujours, mais ne reçoivent plus de correctifs de sécurité du projet.
La même page traite des dépendances. Airflow abandonne le support d'une version de Python ou de Kubernetes dès que celle-ci atteint sa propre fin de vie, dans la première version mineure ou majeure qui suit : la version d'Airflow que vous pouvez exécuter dépend donc des versions de Python et de Kubernetes sous-jacentes. Le support communautaire, lui, se résume aux issues GitHub, aux listes de diffusion et à Slack, avec des réponses de committers et d'utilisateurs sur leur temps libre.
Airflow managé
Astro d'Astronomer, Amazon MWAA et Google Cloud Composer exécutent Airflow pour vous et assurent le support de leur propre service : le scheduler, les workers, la base de métadonnées, les mises à niveau. Ils ne prennent pas en charge vos DAG. Un pipeline qui échoue à cause d'un conflit de dépendances, d'un XCom trop volumineux, d'un provider package dont le comportement a changé ou d'une tâche qui ne quitte jamais l'état queued reste votre problème, quel que soit le service, et chacun ne prend en charge qu'une fenêtre de versions d'Airflow.
La place du support Airflow indépendant
- Airflow 2.x autogéré en fin de vie, le temps de planifier la migration vers Airflow 3. Ce passage est un véritable projet : les fonctionnalités obsolètes sont supprimées, l'API et le task SDK changent, et le code des DAG doit être revu.
- Problèmes de scheduler et d'executor : tâches zombies, scheduler qui cesse de planifier, parsing des DAG lent à cause de code de premier niveau, instances de tâches bloquées en queued, mauvaise configuration de l'executor Celery ou Kubernetes.
- La base de métadonnées, généralement PostgreSQL et généralement le véritable goulot d'étranglement.
- Le déploiement d'Airflow sur Kubernetes avec le chart Helm officiel, les images Docker, le déploiement et le versioning des DAG, les secrets et les connexions.
- Les bonnes pratiques pour les DAG eux-mêmes, car la plupart des échecs de DAG relèvent de la conception des pipelines, pas de défauts de la plateforme : idempotence, nouvelles tentatives, dépendances cohérentes et intégration avec les systèmes en amont et en aval.
AceMQ fournit un support Airflow 24/7 avec des objectifs de réponse à partir de 15 minutes, selon le plan, et des ingénieurs seniors attitrés, pour les déploiements autogérés comme managés. Exemples : correction de tâches zombies et du scheduler et support sur le temps de parsing des DAG.
Les incidents Airflow qui réveillent vraiment les équipes d'astreinte
- Tâches bloquées en queued ou scheduled. Le scheduler est actif, mais rien ne s'exécute. Les pools sont épuisés, l'executor a perdu la trace de ses workers, les limites de parallélisme sont atteintes, ou l'executor Kubernetes ne peut pas créer de pods à cause d'un quota ou d'un échec de récupération d'image.
- Tâches zombies et orphelines. Un worker s'arrête en cours de tâche, son heartbeat cesse, et le scheduler marque la tâche en échec ou la laisse tourner indéfiniment. Les nouvelles tentatives chargent alors une table en double, car la tâche n'était pas idempotente.
- Parsing des DAG lent. Le code de premier niveau des fichiers DAG, comme une requête en base ou un appel d'API à l'import, s'exécute à chaque boucle de parsing. Le scheduler passe son temps à parser au lieu de planifier, et les nouveaux DAG runs démarrent en retard.
- La base de métadonnées. Des années de lignes d'instances de tâches, de logs et de XCom ralentissent chaque requête du scheduler. Les grosses valeurs XCom stockées en base aggravent la situation. Un nettoyage régulier avec la commande db clean et un backend XCom sur stockage objet règlent ce que davantage de matériel ne réglera pas.
- Conflits de dépendances. Les providers, le fichier de contraintes et les packages Python propres à une équipe divergent, et un pip install anodin casse le scheduler. Isoler les dépendances des tâches avec des environnements virtuels, le Kubernetes pod operator ou des images séparées est la solution durable.
Migration Airflow 2 vers Airflow 3
Airflow 2 est en fin de vie, et Airflow 3 est une version architecturale, pas une mise à niveau de routine. Les tâches n'accèdent plus directement à la base de métadonnées et communiquent désormais avec un serveur d'API via le task SDK, ce qui casse les opérateurs personnalisés et les DAG qui interrogeaient la base. L'API REST est passée à une nouvelle version, les SubDAGs et d'autres fonctionnalités obsolètes de longue date ont été supprimés, le vocabulaire de planification est passé des datasets aux assets, et certains chemins de configuration et d'import ont changé. Le projet recommande de passer d'abord à la dernière version 2.x et d'y éliminer tous les avertissements d'obsolescence. Il fournit aussi un linter basé sur Ruff qui signale le code DAG incompatible, ce qui transforme la migration en backlog mesurable. Prévoyez de tester chaque DAG, pas seulement la plateforme.
Faire son choix
Sur un service managé et une version actuelle, le fournisseur couvre la plateforme et vous n'avez besoin d'aide que pour les DAG. Si vous exploitez Airflow vous-même, la communauté vous fournit des correctifs pour Airflow 3, rien pour Airflow 2, et aucun délai de réponse à qui que ce soit. Si vos pipelines de données alimentent du chiffre d'affaires, des échéances de reporting ou des processus en secteurs réglementés, adossez un contrat à votre couche d'orchestration.
| Gravité | Première réponse | Incident type |
|---|---|---|
| P1 — Urgence | À partir de 15 min (selon le plan) | Production à l'arrêt, flux de données interrompu, défaillance du cluster ou d'un nœud |
| P2 — Critique | 1 heure | Dégradation sévère, taux d'erreur en hausse, limites de capacité bientôt atteintes |
| P3 — Élevée | 4 heures | Problèmes de performance, problèmes de configuration, défaillances non critiques |
| P4 — Standard | Jour suivant | Questions, conseils, bonnes pratiques, améliorations non urgentes |
Questions fréquentes
Quelles entreprises proposent du support Apache Airflow ?
Il n'y a pas d'éditeur. La communauté Apache Airflow maintient les versions actuelles, les fournisseurs de services managés comme Astronomer, Amazon MWAA et Google Cloud Composer assurent le support de leurs services, et des prestataires indépendants comme AceMQ prennent en charge Airflow autogéré.
Airflow 2 est-il encore supporté ?
Non. D'après la page des versions supportées d'Apache Airflow, Airflow 2 est passé en maintenance limitée le 22 octobre 2025 et a atteint sa fin de vie le 22 avril 2026. Les versions en fin de vie ne reçoivent plus ni correctifs ni support.
Quelle version d'Airflow est supportée aujourd'hui ?
Airflow 3, sorti pour la première fois le 22 avril 2025, est la version maintenue.
Que signifie le support limité pour Airflow ?
Le projet le définit comme des correctifs de sécurité et de bugs critiques uniquement. Aucune nouvelle fonctionnalité et aucune correction de bug générale.
Amazon MWAA ou Cloud Composer prennent-ils en charge mes DAG ?
Ils prennent en charge le service managé : scheduler, workers, base de données et mises à niveau. Le code des DAG, les dépendances et la conception des pipelines restent de votre ressort ou de celui de votre prestataire de support.
Parler à un ingénieur
Besoin d’un coup de main sur Apache Airflow ?
Des ingénieurs seniors qui l’exploitent en production. Demandez un devis ou une consultation gratuite, sans argumentaire commercial.
Guides, comparatifs et études
Approfondir le support et le cycle de vie des versions
Comparatifs
8- PostgreSQL ou MySQL : les différences et comment choisir
- OpenSearch vs Elasticsearch : comment le fork a divergé
- Comparatif 2026 du support entreprise : Databricks, Snowflake, MuleSoft, Boomi, Datadog et Splunk
- Alternatives à Splunk : comparatif des solutions de remplacement
- Alternatives à MuleSoft : comparatif des concurrents
- Alternatives à New Relic et concurrents : que comparer avant de partir
- Durées de support open source et éditeurs comparées
- Options de support des brokers de messages comparées

