In questo tutorial creerai una pipeline che utilizza container personalizzati con librerie C++ per eseguire un flusso di lavoro HPC di Dataflow a elevata parallela. Utilizza questo tutorial per scoprire come utilizzare Dataflow e Apache Beam per eseguire applicazioni di grid computing che richiedono la distribuzione dei dati a funzioni in esecuzione su molti core.
Il tutorial mostra come eseguire la pipeline utilizzando prima l'esecutore diretto e poi l'esecuzione di Dataflow. Eseguendo la pipeline in locale, puoi testarla prima di eseguirne il deployment.
Questo esempio utilizza le associazioni e le funzioni Cython della libreria GMP. Indipendentemente dalla libreria o dallo strumento di associazione che utilizzi, puoi applicare gli stessi principi alla pipeline.
Il codice di esempio è disponibile su GitHub.
Obiettivi
Crea una pipeline che utilizzi container personalizzati con librerie C++.
Creare un'immagine container Docker utilizzando un Dockerfile.
pacchettizza il codice e le dipendenze in un container Docker.
Esegui la pipeline in locale per testarla.
Eseguire la pipeline in un ambiente distribuito.
Costi
In questo documento vengono utilizzati i seguenti componenti fatturabili di Google Cloud:
- Artifact Registry
- Cloud Build
- Cloud Storage
- Compute Engine
- Dataflow
Per generare una stima dei costi in base all'utilizzo previsto,
utilizza il Calcolatore prezzi.
Una volta completate le attività descritte in questo documento, puoi evitare la fatturazione continua eliminando le risorse che hai creato. Per ulteriori informazioni, consulta la pagina Pulizia.
Prima di iniziare
- Accedi al tuo account Google Cloud. Se non conosci Google Cloud, crea un account per valutare le prestazioni dei nostri prodotti in scenari reali. I nuovi clienti ricevono anche 300 $di crediti gratuiti per l'esecuzione, il test e il deployment dei carichi di lavoro.
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
-
Crea o seleziona un progetto Google Cloud.
-
Crea un progetto Google Cloud:
gcloud projects create PROJECT_ID
Sostituisci
PROJECT_ID
con un nome per il progetto Google Cloud che stai creando. -
Seleziona il progetto Google Cloud che hai creato:
gcloud config set project PROJECT_ID
Sostituisci
PROJECT_ID
con il nome del tuo progetto Google Cloud.
-
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Cloud Storage, Cloud Storage JSON, Compute Engine, Dataflow, Resource Manager, Artifact Registry, and Cloud Build.
gcloud services enable compute.googleapis.com
dataflow.googleapis.com storage_component storage_api cloudresourcemanager.googleapis.com artifactregistry.googleapis.com cloudbuild.googleapis.com -
Crea credenziali di autenticazione locali per il tuo Account Google:
gcloud auth application-default login
-
Concedi i ruoli al tuo Account Google. Esegui questo comando una volta per ciascuno dei seguenti ruoli IAM:
roles/iam.serviceAccountUser
gcloud projects add-iam-policy-binding PROJECT_ID --member="user:EMAIL_ADDRESS" --role=ROLE
- Sostituisci
PROJECT_ID
con l'ID progetto. - Sostituisci
EMAIL_ADDRESS
con il tuo indirizzo email. - Sostituisci
ROLE
con ogni singolo ruolo.
- Sostituisci
- Installa Google Cloud CLI.
-
Per initialize gcloud CLI, esegui questo comando:
gcloud init
-
Crea o seleziona un progetto Google Cloud.
-
Crea un progetto Google Cloud:
gcloud projects create PROJECT_ID
Sostituisci
PROJECT_ID
con un nome per il progetto Google Cloud che stai creando. -
Seleziona il progetto Google Cloud che hai creato:
gcloud config set project PROJECT_ID
Sostituisci
PROJECT_ID
con il nome del tuo progetto Google Cloud.
-
-
Assicurati che la fatturazione sia attivata per il tuo progetto Google Cloud.
-
Abilita le API Cloud Storage, Cloud Storage JSON, Compute Engine, Dataflow, Resource Manager, Artifact Registry, and Cloud Build.
gcloud services enable compute.googleapis.com
dataflow.googleapis.com storage_component storage_api cloudresourcemanager.googleapis.com artifactregistry.googleapis.com cloudbuild.googleapis.com -
Crea credenziali di autenticazione locali per il tuo Account Google:
gcloud auth application-default login
-
Concedi i ruoli al tuo Account Google. Esegui questo comando una volta per ciascuno dei seguenti ruoli IAM:
roles/iam.serviceAccountUser
gcloud projects add-iam-policy-binding PROJECT_ID --member="user:EMAIL_ADDRESS" --role=ROLE
- Sostituisci
PROJECT_ID
con l'ID progetto. - Sostituisci
EMAIL_ADDRESS
con il tuo indirizzo email. - Sostituisci
ROLE
con ogni singolo ruolo.
- Sostituisci
Crea un account di servizio worker gestito dall'utente per la nuova pipeline e concedi i ruoli necessari all'account di servizio.
Per creare l'account di servizio, esegui il comando
gcloud iam service-accounts create
:gcloud iam service-accounts create parallelpipeline \ --description="Highly parallel pipeline worker service account" \ --display-name="Highly parallel data pipeline access"
Concedi ruoli all'account di servizio. Esegui il comando seguente una volta per ognuno dei seguenti ruoli IAM:
roles/dataflow.admin
roles/dataflow.worker
roles/storage.objectAdmin
roles/artifactregistry.reader
gcloud projects add-iam-policy-binding PROJECT_ID --member="serviceAccount:parallelpipeline@PROJECT_ID.iam.gserviceaccount.com" --role=SERVICE_ACCOUNT_ROLE
Sostituisci
SERVICE_ACCOUNT_ROLE
con ogni singolo ruolo.Concedi al tuo Account Google un ruolo che ti consente di creare token di accesso per l'account di servizio:
gcloud iam service-accounts add-iam-policy-binding parallelpipeline@PROJECT_ID.iam.gserviceaccount.com --member="user:EMAIL_ADDRESS" --role=roles/iam.serviceAccountTokenCreator
Scarica l'esempio di codice e cambia directory
Scarica l'esempio di codice e poi cambia directory. Gli esempi di codice nel repository GitHub forniscono tutto il codice necessario per eseguire questa pipeline. Quando è tutto pronto per creare la tua pipeline, puoi usare questo codice campione come modello.
Clona il repository beam-cpp-example.
Usa il comando
git clone
per clonare il repository GitHub:git clone https://github.com/GoogleCloudPlatform/dataflow-sample-applications.git
Passa alla directory delle applicazioni:
cd dataflow-sample-applications/beam-cpp-example
Codice pipeline
Puoi personalizzare il codice della pipeline da questo tutorial. Questa pipeline completa le seguenti attività:
- Produce dinamicamente tutti i numeri interi in un intervallo di input.
- Esegue i numeri interi tramite una funzione C++ e filtra i valori non validi.
- Scrive i valori errati su un canale secondario.
- Conta l'occorrenza di ogni tempo di interruzione e normalizza i risultati.
- Stampa l'output, formatta e scrivendo i risultati in un file di testo.
- Crea un elemento
PCollection
con un singolo elemento. - Elabora il singolo elemento con una funzione
map
e passa la frequenzaPCollection
come input secondario. - Elabora
PCollection
e produce un singolo output.
Il file di base ha il seguente aspetto:
Configurazione dell'ambiente di sviluppo
Utilizza l'SDK Apache Beam per Python.
Installa la libreria di GMP:
apt-get install libgmp3-dev
Per installare le dipendenze, utilizza il file
requirements.txt
.pip install -r requirements.txt
Per creare le associazioni Python, esegui questo comando.
python setup.py build_ext --inplace
Puoi personalizzare il file requirements.txt
da questo tutorial. Il file di base include le seguenti dipendenze:
esegui la pipeline in locale
L'esecuzione della pipeline in locale è utile per i test. Se esegui la pipeline in locale, puoi verificare che venga eseguita e funzioni come previsto prima di eseguirne il deployment in un ambiente distribuito.
Puoi eseguire la pipeline in locale utilizzando il comando seguente.
Questo comando restituisce un'immagine denominata out.png
.
python pipeline.py
crea le risorse Google Cloud
Questa sezione spiega come creare le seguenti risorse:
- Un bucket Cloud Storage da utilizzare come posizione di archiviazione temporanea e località di output.
- Un container Docker per pacchettizzare il codice e le dipendenze della pipeline.
crea un bucket Cloud Storage
Per iniziare, crea un bucket Cloud Storage utilizzando Google Cloud CLI. Questo bucket viene utilizzato come località di archiviazione temporanea dalla pipeline Dataflow.
Per creare il bucket, utilizza il comando gcloud storage buckets create
:
gcloud storage buckets create gs://BUCKET_NAME --location=LOCATION
Sostituisci quanto segue:
- BUCKET_NAME: un nome per il bucket Cloud Storage che soddisfa i requisiti di denominazione dei bucket. I nomi dei bucket Cloud Storage devono essere univoci a livello globale.
- LOCATION: la località del bucket.
Crea e crea un'immagine container
Puoi personalizzare il Dockerfile da questo tutorial. Il file di base ha il seguente aspetto:
Questo Dockerfile contiene i comandi FROM
, COPY
e RUN
, che puoi scoprire nel riferimento Dockerfile.
Per caricare gli artefatti, crea un repository Artifact Registry. Ogni repository può contenere artefatti per un singolo formato supportato.
Tutti i contenuti del repository sono criptati mediante chiavi di crittografia gestite da Google o dal cliente. Artifact Registry utilizza chiavi di crittografia gestite da Google per impostazione predefinita e per questa opzione non è richiesta alcuna configurazione.
Devi avere almeno l'accesso come Writer ad Artifact Registry al repository.
Esegui questo comando per creare un nuovo repository. Il comando utilizza il flag
--async
e restituisce immediatamente, senza attendere il completamento dell'operazione in corso.gcloud artifacts repositories create REPOSITORY \ --repository-format=docker \ --location=LOCATION \ --async
Sostituisci
REPOSITORY
con un nome per il repository. Per ogni località del repository in un progetto, i nomi dei repository devono essere univoci.Creare il Dockerfile.
Affinché i pacchetti facciano parte del container Apache Beam, devi specificarli nel file
requirements.txt
. Assicurati di non specificareapache-beam
come parte del filerequirements.txt
. Il container Apache Beam ha giàapache-beam
.Prima di eseguire il push o il pull delle immagini, configura Docker per autenticare le richieste per Artifact Registry. Per configurare l'autenticazione nei repository Docker, esegui questo comando:
gcloud auth configure-docker LOCATION-docker.pkg.dev
Il comando aggiorna la configurazione Docker. Ora puoi connetterti ad Artifact Registry nel tuo progetto Google Cloud per eseguire il push delle immagini.
Crea l'immagine Docker utilizzando il tuo
Dockerfile
con Cloud Build.Aggiorna il percorso nel comando seguente in modo che corrisponda al Dockerfile creato. Questo comando crea il file e ne esegue il push nel repository Artifact Registry.
gcloud builds submit --tag LOCATION-docker.pkg.dev/PROJECT_ID/REPOSITORY/dataflow/cpp_beam_container:latest .
Pacchettizzazione del codice e delle dipendenze in un container Docker
Per eseguire questa pipeline in un ambiente distribuito, pacchettizza il codice e le dipendenze in un container Docker.
docker build . -t cpp_beam_container
Dopo aver pacchettizzato il codice e le dipendenze, puoi eseguire la pipeline localmente per testarla.
python pipeline.py \ --runner=PortableRunner \ --job_endpoint=embed \ --environment_type=DOCKER \ --environment_config="docker.io/library/cpp_beam_container"
Questo comando scrive l'output all'interno dell'immagine Docker. Per visualizzare l'output, esegui la pipeline con
--output
e scrivi l'output in un bucket Cloud Storage. Ad esempio, esegui il comando seguente.python pipeline.py \ --runner=PortableRunner \ --job_endpoint=embed \ --environment_type=DOCKER \ --environment_config="docker.io/library/cpp_beam_container" \ --output=gs://BUCKET_NAME/out.png
esegui la pipeline.
Ora puoi eseguire la pipeline Apache Beam in Dataflow facendo riferimento al file con il codice della pipeline e passando i parametri richiesti dalla pipeline.
Nella shell o nel terminale, esegui la pipeline con Dataflow Runner.
python pipeline.py \
--runner=DataflowRunner \
--project=PROJECT_ID \
--region=REGION \
--temp_location=gs://BUCKET_NAME/tmp \
--sdk_container_image="LOCATION-docker.pkg.dev/PROJECT_ID/REPOSITORY/dataflow/cpp_beam_container:latest" \
--experiment=use_runner_v2 \
--output=gs://BUCKET_NAME/out.png
Dopo aver eseguito il comando per eseguire la pipeline, Dataflow restituisce un ID job con lo stato del job Queued. Potrebbero essere necessari diversi minuti prima che lo stato del job raggiunga In esecuzione e tu possa accedere al grafico del job.
Visualizza i tuoi risultati
Visualizzare i dati scritti nel bucket Cloud Storage. Utilizza il comando gcloud storage ls
per elencare i contenuti al livello più alto del tuo bucket:
gcloud storage ls gs://BUCKET_NAME
Se l'esito è positivo, il comando restituisce un messaggio simile al seguente:
gs://BUCKET_NAME/out.png
Esegui la pulizia
Per evitare che al tuo Account Google Cloud vengano addebitati costi relativi alle risorse utilizzate in questo tutorial, elimina il progetto che contiene le risorse oppure mantieni il progetto ed elimina le singole risorse.
Elimina il progetto
Il modo più semplice per eliminare la fatturazione è eliminare il progetto Google Cloud che hai creato per il tutorial.
- Nella console Google Cloud, vai alla pagina Gestisci risorse.
- Nell'elenco dei progetti, seleziona il progetto che vuoi eliminare, quindi fai clic su Elimina.
- Nella finestra di dialogo, digita l'ID del progetto e fai clic su Chiudi per eliminare il progetto.
Elimina le singole risorse
Se vuoi riutilizzare il progetto, elimina le risorse che hai creato per il tutorial.
Esegui la pulizia delle risorse di progetto Google Cloud
Elimina il repository Artifact Registry.
gcloud artifacts repositories delete REPOSITORY \ --location=LOCATION --async
Eliminare il bucket Cloud Storage. Questo bucket da solo non prevede alcun addebito.
gcloud storage rm gs://BUCKET_NAME --recursive
Revocare le credenziali
Revoca i ruoli che hai concesso all'account di servizio worker gestito dall'utente. Esegui il comando seguente una volta per ognuno dei seguenti ruoli IAM:
roles/dataflow.admin
roles/dataflow.worker
roles/storage.objectAdmin
roles/artifactregistry.reader
gcloud projects remove-iam-policy-binding PROJECT_ID \ --member=serviceAccount:parallelpipeline@PROJECT_ID.iam.gserviceaccount.com \ --role=SERVICE_ACCOUNT_ROLE
-
Facoltativo: revoca le credenziali di autenticazione che hai creato ed elimina il file delle credenziali locale.
gcloud auth application-default revoke
-
Facoltativo: revoca le credenziali dallgcloud CLI.
gcloud auth revoke
Passaggi successivi
- Visualizza l'applicazione di esempio su GitHub.
- Utilizza container personalizzati in Dataflow.
- Scopri di più sull'utilizzo degli ambienti di container con Apache Beam.
- Esplora le architetture di riferimento, i diagrammi e le best practice su Google Cloud. Visita il nostro Cloud Architecture Center.