Esegui un job Dataflow in un container personalizzato

Questo documento descrive come eseguire una pipeline Dataflow utilizzando una container personalizzato.

Per informazioni sulla creazione dell'immagine container, consulta Creare immagini container personalizzate per Dataflow.

Quando esegui la pipeline, avviala utilizzando l'SDK Apache Beam con la stessa versione e lingua dell'SDK nel tuo container personalizzato dell'immagine. Questo passaggio evita errori imprevisti dovuti a dipendenze incompatibili tramite SDK.

Esegui test in locale

Prima di eseguire la pipeline in Dataflow, è buona norma testare in locale l'immagine container, il che consente test e debug più rapidi.

Per ulteriori informazioni sull'utilizzo specifico di Apache Beam, consulta la guida di Apache Beam per Esecuzione di pipeline con immagini container personalizzate.

Test di base con PortableRunner

Per verificare che sia possibile eseguire il pull delle immagini container remote e che possano eseguire una semplice utilizza Apache Beam PortableRunner. Quando utilizzi il PortableRunner, l'invio del job avviene nell'ambiente locale e L'esecuzione di DoFn viene eseguita nell'ambiente Docker.

Quando utilizzi le GPU, il container Docker potrebbe non avere accesso alle GPU. A testare il container con le GPU, utilizzare il direct runner e segui i passaggi per testare un'immagine container su una VM autonoma con GPU Eseguire il debug con una VM autonoma "Usa GPU" .

Di seguito viene eseguita una pipeline di esempio:

Java

mvn compile exec:java -Dexec.mainClass=com.example.package.MyClassWithMain \
    -Dexec.args="--runner=PortableRunner \
    --jobEndpoint=REGION \
    --defaultEnvironmentType=DOCKER \
    --defaultEnvironmentConfig=IMAGE_URI \
    --inputFile=INPUT_FILE \
    --output=OUTPUT_FILE"

Python

python path/to/my/pipeline.py \
  --runner=PortableRunner \
  --job_endpoint=REGION \
  --environment_type=DOCKER \
  --environment_config=IMAGE_URI \
  --input=INPUT_FILE \
  --output=OUTPUT_FILE

Vai

go path/to/my/pipeline.go \
  --runner=PortableRunner \
  --job_endpoint=REGION \
  --environment_type=DOCKER \
  --environment_config=IMAGE_URI \
  --input=INPUT_FILE \
  --output=OUTPUT_FILE

Sostituisci quanto segue:

  • REGION: la regione del servizio job da utilizzare, sotto forma di indirizzo e porta. Ad esempio: localhost:3000. Usa embed per per eseguire un servizio per un job in-process.
  • IMAGE_URI: l'URI dell'immagine del container personalizzato.
  • INPUT_FILE: un file di input che può essere letto come un di testo. Questo file deve essere accessibile all'infrastruttura dell'SDK
    un'immagine container, precaricata sull'immagine container o su una .
  • OUTPUT_FILE: un percorso in cui scrivere l'output. Questo è un percorso remoto o un percorso locale sul container.

Una volta completata la pipeline, esamina i log della console per verificare che la pipeline sia stata completata correttamente e che l'immagine remota, specificata IMAGE_URI.

Dopo aver eseguito la pipeline, i file salvati nel container non si trovano nella rete locale e il container viene arrestato. Puoi copiare file da il file system del container interrotto, docker cp.

In alternativa:

  • Fornisce output a un file system remoto come Cloud Storage. Potresti dover configurare manualmente l'accesso a scopo di test. inclusi i file delle credenziali Credenziali predefinite dell'applicazione.
  • Per un rapido debug, aggiungi un logging temporaneo.

Uso di Direct Runner

Per test locali più approfonditi dell'immagine container e della pipeline, utilizza Direct Runner di Apache Beam.

Puoi verificare la pipeline separatamente dal container eseguendo test in una che corrisponda all'immagine container o avviando la pipeline su un container in esecuzione.

Java

docker run -it --entrypoint "/bin/bash" IMAGE_URI
...
# On docker container:
root@4f041a451ef3:/#  mvn compile exec:java -Dexec.mainClass=com.example.package.MyClassWithMain ...

Python

docker run -it --entrypoint "/bin/bash" IMAGE_URI
...
# On docker container:
root@4f041a451ef3:/#  python path/to/my/pipeline.py ...

Vai

docker run -it --entrypoint "/bin/bash" IMAGE_URI
...
# On docker container:
root@4f041a451ef3:/#  go path/to/my/pipeline.go ...

Sostituisci IMAGE_URI con l'URI dell'immagine del container personalizzato.

Gli esempi presuppongono che tutti i file della pipeline, inclusa la pipeline stessa, siano container personalizzato, sono stati montati da un file system locale o e accessibili da Apache Beam e dal container. Ad esempio, per utilizzare Maven (mvn) per eseguire l'esempio Java precedente, Maven e i relativi le dipendenze devono essere in fase di gestione temporanea sul container. Per ulteriori informazioni, vedi Spazio di archiviazione e docker run nella documentazione Docker.

L'obiettivo dei test su Direct Runner è testare la pipeline nell'ambiente container personalizzato, non per testare l'esecuzione con il valore predefinito ENTRYPOINT. Modifica il valore ENTRYPOINT (ad esempio, docker run --entrypoint ...) per eseguire direttamente la pipeline o per consentire manualmente i comandi sul container.

Se ti affidi a una configurazione specifica basata sull'esecuzione del container In Compute Engine, puoi eseguire il container direttamente VM. Per ulteriori informazioni, vedi Container su Compute Engine.

Lancia il job Dataflow

Quando avvii la pipeline Apache Beam su Dataflow, specifica il percorso dell'immagine container. Non utilizzare il tag :latest con il tuo in formato Docker. Codifica le build con una data o un identificatore univoco. Se qualcosa va errato, l'utilizzo di questo tipo di tag potrebbe consentire di ripristinare la pipeline configurazione di lavoro precedentemente nota e consente un controllo delle modifiche.

Java

Utilizza --sdkContainerImage per specificare un'immagine container SDK per il runtime Java.

Utilizza --experiments=use_runner_v2 per abilitare Runner v2.

Python

Se utilizzi l'SDK versione 2.30.0 o successive, utilizza l'opzione pipeline --sdk_container_image per specificare un'immagine container SDK.

Per le versioni precedenti dell'SDK, utilizza l'opzione pipeline --worker_harness_container_image per specificare la posizione dell'immagine container da utilizzare per il cablaggio worker.

I container personalizzati sono supportati solo per Dataflow Runner v2. Se stai avviando una pipeline Python batch, imposta il flag --experiments=use_runner_v2. Se stai avviando una pipeline Python in modalità flusso, specificando che l'esperimento non perché le pipeline Python di flusso utilizzano Runner v2 per impostazione predefinita.

Vai

Se utilizzi l'SDK versione 2.40.0 o successive, utilizza l'opzione pipeline --sdk_container_image per specificare un'immagine container SDK.

Per le versioni precedenti dell'SDK, utilizza l'opzione pipeline --worker_harness_container_image per specificare la posizione dell'immagine container da utilizzare per il cablaggio worker.

I container personalizzati sono supportati in tutte le versioni dell'SDK Go perché usa Dataflow Runner v2 per impostazione predefinita.

L'esempio seguente mostra come avviare il batch Esempio di WordCount con un container personalizzato.

Java

mvn compile exec:java -Dexec.mainClass=org.apache.beam.examples.WordCount \
   -Dexec.args="--runner=DataflowRunner \
                --inputFile=INPUT_FILE \
                --output=OUTPUT_FILE \
                --project=PROJECT_ID \
                --region=REGION \
                --gcpTempLocation=TEMP_LOCATION \
                --diskSizeGb=DISK_SIZE_GB \
                --experiments=use_runner_v2 \
                --sdkContainerImage=IMAGE_URI"

Python

Utilizzo dell'SDK Apache Beam per Python versione 2.30.0 o successiva:

python -m apache_beam.examples.wordcount \
  --input=INPUT_FILE \
  --output=OUTPUT_FILE \
  --project=PROJECT_ID \
  --region=REGION \
  --temp_location=TEMP_LOCATION \
  --runner=DataflowRunner \
  --disk_size_gb=DISK_SIZE_GB \
  --experiments=use_runner_v2 \
  --sdk_container_image=IMAGE_URI

Vai

wordcount --input gs://dataflow-samples/shakespeare/kinglear.txt \
          --output gs://<your-gcs-bucket>/counts \
          --runner dataflow \
          --project your-gcp-project \
          --region your-gcp-region \
          --temp_location gs://<your-gcs-bucket>/tmp/ \
          --staging_location gs://<your-gcs-bucket>/binaries/ \
          --sdk_container_image=IMAGE_URI

Sostituisci quanto segue:

  • INPUT_FILE: il percorso di input di Cloud Storage letti da Dataflow durante l'esecuzione dell'esempio.
  • OUTPUT_FILE: il percorso di output di Cloud Storage dalla pipeline di esempio. Questo file contiene il conteggio delle parole.
  • PROJECT_ID: l'ID del tuo account Google Cloud progetto.
  • REGION: la regione in cui eseguire il deployment Job Dataflow.
  • TEMP_LOCATION: il percorso Cloud Storage per Dataflow per organizzare i file di job temporanei creati durante dell'esecuzione della pipeline.
  • DISK_SIZE_GB: facoltativo. Se il tuo container è grande, valuta la possibilità di aumentare la dimensione predefinita del disco di avvio per evitare di esaurire lo spazio su disco.
  • IMAGE_URI: l'URI dell'immagine del container personalizzato dell'SDK. Utilizza sempre un tag o un'algoritmo SHA o tag del contenitore con controllo delle versioni. Non utilizzare il tag :latest o un tag modificabile.