Dataproc Serverless for Spark 在 Docker 容器中运行工作负载。容器为工作负载的驱动程序和执行程序进程提供运行时环境。默认情况下，Dataproc Serverless for Spark 使用容器映像，其中包含与运行时发布版本关联的默认 Spark、Java、Python 和 R 软件包。借助 Dataproc Serverless for Spark 批处理 API，您可以使用自定义容器映像而不是默认映像。通常，自定义容器映像会添加默认容器映像未提供的 Spark 工作负载 Java 或 Python 依赖项。重要提示：请勿在自定义容器映像中包含 Spark；Dataproc Serverless for Spark 将在运行时将 Spark 装载到容器中。
使用自定义容器映像提交 Spark 批处理工作负载
gcloud
提交 Spark 批处理工作负载时，使用带有 --container-image 标志的 gcloud dataproc batches submit spark 命令指定自定义容器映像。
gcloud dataproc batches submit spark \ --container-image=custom-image, for example, "gcr.io/my-project-id/my-image:1.0.1" \ --region=region \ --jars=path to user workload jar located in Cloud Storage or included in the custom container \ --class=The fully qualified name of a class in the jar file, such as org.apache.spark.examples.SparkPi \ -- add any workload arguments here
注意：
- 自定义映像：使用以下 Container Registry 映像命名格式指定自定义容器映像：
{hostname}/{project-id}/{image}:{tag}，例如“gcr.io/my-project-id/my-image:1.0.1”。 注意：您必须在 Container Registry 或 Artifact Registry 上托管自定义容器映像。 （Dataproc Serverless 无法从其他注册表中提取容器）。 --jars：指定自定义容器映像中包含的或位于 Cloud Storage 中的用户工作负载的路径，例如file:///opt/spark/jars/spark-examples.jar或gs://my-bucket/spark/jars/spark-examples.jar。- 其他批处理命令选项：您可以添加其他可选批处理的命令标志，例如，使用持久性历史记录服务器 (PHS)。注意：PHS 必须位于您运行批处理工作负载的区域。
- 工作负载参数：您可以通过在命令末尾添加“--”和工作负载参数来添加任何工作负载参数。
REST
自定义容器映像通过 batches.create API 请求中的 RuntimeConfig.containerImage 字段进行提供。
以下示例介绍如何使用自定义容器通过 Dataproc Serverless for Spark batches.create API 提交批处理工作负载。
在使用任何请求数据之前，请先进行以下替换：
- project-id：Google Cloud 项目 ID
- region：区域
- custom-container-image：使用以下 Container Registry 映像命名格式指定自定义容器映像：
{hostname}/{project-id}/{image}:{tag}，例如“gcr.io/my-project-id/my-image:1.0.1”。 注意：您必须在 Container Registry 或 Artifact Registry 上托管自定义容器。 （Dataproc Serverless 无法从其他注册表中提取容器）。 jar-uri：指定包含在自定义容器映像中或位于 Cloud Storage 中的工作负载 jar 的路径，例如“/opt/spark/jars/spark-examples.jar” 或“gs:///spark/jars/spark-examples.jar”。class：jar 文件中的类的完全限定名称，例如“org.apache.spark.examples.SparkPi”。- 其他选项：您可以使用其他批处理工作负载资源字段，例如，使用
sparkBatch.args字段将参数传递给您的工作负载（如需了解详情，请参阅Batch资源文档）。如需使用 Persistent History Server (PHS)，请参阅设置 Persistent History Server。注意：PHS 必须位于您运行批处理工作负载的区域。
HTTP 方法和网址：
POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches
请求 JSON 正文：
{
"runtimeConfig":{
"containerImage":"custom-container-image
},
"sparkBatch":{
"jarFileUris":[
"jar-uri"
],
"mainClass":"class"
}
}
如需发送您的请求，请展开以下选项之一：
您应该收到类似以下内容的 JSON 响应：
{
"name":"projects/project-id/locations/region/batches/batch-id",
"uuid":",uuid",
"createTime":"2021-07-22T17:03:46.393957Z",
"runtimeConfig":{
"containerImage":"gcr.io/my-project/my-image:1.0.1"
},
"sparkBatch":{
"mainClass":"org.apache.spark.examples.SparkPi",
"jarFileUris":[
"/opt/spark/jars/spark-examples.jar"
]
},
"runtimeInfo":{
"outputUri":"gs://dataproc-.../driveroutput"
},
"state":"SUCCEEDED",
"stateTime":"2021-07-22T17:06:30.301789Z",
"creator":"account-email-address",
"runtimeConfig":{
"properties":{
"spark:spark.executor.instances":"2",
"spark:spark.driver.cores":"2",
"spark:spark.executor.cores":"2",
"spark:spark.app.name":"projects/project-id/locations/region/batches/batch-id"
}
},
"environmentConfig":{
"peripheralsConfig":{
"sparkHistoryServerConfig":{
}
}
},
"operation":"projects/project-id/regions/region/operation-id"
}
构建自定义容器映像
Dataproc Serverless for Spark 自定义容器映像是 Docker 映像。您可以使用用于构建 Docker 映像的工具来构建自定义容器映像，但映像必须满足一些条件才能与 Dataproc Serverless for Spark 兼容。 以下部分介绍了这些条件。
操作系统
您可以为自定义容器映像选择任何操作系统基础映像。
建议：使用默认的 Debian 12 映像（例如 debian:12-slim），因为它们已完成测试，可以避免兼容性问题。
实用程序
您必须在自定义容器映像中包含以下实用程序软件包，这些软件包是运行 Spark 所必需的：
procpstini
如需从 Spark（Java 或 Scala）运行 XGBoost，您必须添加 libgomp1
容器用户
Dataproc Serverless for Spark 以 spark Linux 用户身份通过 1099 UID 和 1099 GID 来运行容器。自定义容器映像 Dockerfile 中设置的 USER 指令在运行时被忽略。使用 UID 和 GID 获得文件系统权限。
例如，如果您将映像中位于 /opt/spark/jars/my-lib.jar 中的 jar 文件添加为工作负载依赖项，则必须向 spark 用户授予该文件的读取权限。
映像流式传输
Dataproc Serverless for Spark 通常会将整个映像下载到磁盘，以启动需要自定义容器映像的工作负载。这可能会导致初始化时间延迟，对于有大量图片的客户来说尤其如此。
您可以改用映像流式传输，这种方法可根据需要拉取映像数据。这样一来，工作负载便可以启动，而无需等待整个映像下载完毕，从而可能缩短初始化时间。如需启用映像流式传输，您必须启用 Container File System API。您还必须将容器映像存储在 Artifact Registry 中，并且 Artifact Registry 代码库必须与您的 Dataproc 工作负载位于同一区域，或者位于与工作负载运行区域相对应的多区域中。如果 Dataproc 不支持映像或映像流式传输服务不可用，我们的流式传输实现会下载整个映像。
请注意，我们不支持以下图片流式传输：
- 包含空层或重复层的图片
- 使用 V2 映像清单，架构版本 1 的映像
在这些情况下，Dataproc 会先拉取整个映像，然后再启动工作负载。
Spark
请勿在自定义容器映像中包含 Spark。在运行时，Dataproc Serverless for Spark 将 Spark 二进制文件和配置从主机装载到容器中：二进制文件装载到 /usr/lib/spark 目录，配置装载到 /etc/spark/conf 目录。Dataproc Serverless for Spark 在运行时会替换这些目录中的现有文件。
Java 运行时环境
请勿在您的自定义容器映像中添加自己的 Java 运行时环境 (JRE)。在运行时，Dataproc Serverless for Spark 将 OpenJDK 从主机装载到容器中。如果您在自定义容器映像中包含 JRE，则该映像将被忽略。
Java 软件包
您可以将 jar 文件作为 Spark 工作负载依赖项添加到自定义容器映像中，也可以设置 SPARK_EXTRA_CLASSPATH 环境变量以包含 jar。Dataproc Serverless for Spark 会将环境变量值添加到 Spark JVM 进程的类路径中。建议：将 jar 放入/opt/spark/jars目录下并将 SPARK_EXTRA_CLASSPATH 设置为 /opt/spark/jars/*。
您可以在自定义容器映像中添加工作负载 jar，然后在提交工作负载时通过本地路径引用该工作负载，例如 file:///opt/spark/jars/my-spark-job.jar（如需查看示例，请参阅使用自定义容器映像提交 Spark 批处理工作负载）。
Python 软件包
默认情况下，Dataproc Serverless for Spark 会在运行时将 Conda 从主机装载到容器中的 /opt/dataproc/conda 目录中。PYSPARK_PYTHON 设置为 /opt/dataproc/conda/bin/python。其基本目录 /opt/dataproc/conda/bin 包含在 PATH 中。
您可以将 Python 环境与软件包添加到自定义容器映像的其他目录中，例如 /opt/conda，并将 PYSPARK_PYTHON 环境变量设置为 /opt/conda/bin/python。
您的自定义容器映像可以包含不属于 Python 环境的其他 Python 模块，例如具有实用函数的 Python 脚本。设置 PYTHONPATH 环境变量，以包含模块所在的目录。
R 环境
您可以使用以下选项之一自定义自定义容器映像中的 R 环境：
- 使用 Conda 管理和安装
conda-forge渠道的 R 软件包。 - 为容器映像的 Linux OS 添加 R 代码库，并使用 Linux OS 软件包管理器安装 R 软件包（请参阅 R 软件包索引）。
使用任一选项时，您都必须将 R_HOME 环境变量设置为指向自定义 R 环境。例外情况：如果您同时使用 Conda 管理 R 环境和自定义 Python 环境，则无需设置 R_HOME 环境变量；系统会根据 PYSPARK_PYTHON 环境变量自动设置该变量。
自定义容器映像构建示例
本部分包含自定义容器映像构建示例，其中包括 Dockerfiles 示例，后跟构建命令。其中一个示例包含构建映像所需的最低配置。另一个示例包含额外配置的示例，包括 Python 和 R 库。
最低配置
# Recommendation: Use Debian 12.
FROM debian:12-slim
# Suppress interactive prompts
ENV DEBIAN_FRONTEND=noninteractive
# Install utilities required by Spark scripts.
RUN apt update && apt install -y procps tini libjemalloc2
# Enable jemalloc2 as default memory allocator
ENV LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libjemalloc.so.2
# Create the 'spark' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 spark
RUN useradd -u 1099 -g 1099 -d /home/spark -m spark
USER spark
额外配置
# Recommendation: Use Debian 12.
FROM debian:12-slim
# Suppress interactive prompts
ENV DEBIAN_FRONTEND=noninteractive
# Install utilities required by Spark scripts.
RUN apt update && apt install -y procps tini libjemalloc2
# Enable jemalloc2 as default memory allocator
ENV LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libjemalloc.so.2
# Install utilities required by XGBoost for Spark.
RUN apt install -y procps libgomp1
# Install and configure Miniconda3.
ENV CONDA_HOME=/opt/miniforge3
ENV PYSPARK_PYTHON=${CONDA_HOME}/bin/python
ENV PATH=${CONDA_HOME}/bin:${PATH}
ADD https://github.com/conda-forge/miniforge/releases/latest/download/Miniforge3-Linux-x86_64.sh .
RUN bash Miniforge3-Linux-x86_64.sh -b -p /opt/miniforge3 \
&& ${CONDA_HOME}/bin/conda config --system --set always_yes True \
&& ${CONDA_HOME}/bin/conda config --system --set auto_update_conda False \
&& ${CONDA_HOME}/bin/conda config --system --set channel_priority strict
# Packages ipython and ipykernel are required if using custom conda and want to
# use this container for running notebooks.
RUN ${CONDA_HOME}/bin/mamba install ipython ipykernel
# Install Conda packages.
#
# The following packages are installed in the default image.
# Recommendation: include all packages.
#
# Use mamba to quickly install packages.
RUN ${CONDA_HOME}/bin/mamba install -n base \
accelerate \
bigframes \
cython \
deepspeed \
evaluate \
fastavro \
fastparquet \
gcsfs \
google-cloud-aiplatform \
google-cloud-bigquery-storage \
google-cloud-bigquery[pandas] \
google-cloud-bigtable \
google-cloud-container \
google-cloud-datacatalog \
google-cloud-dataproc \
google-cloud-datastore \
google-cloud-language \
google-cloud-logging \
google-cloud-monitoring \
google-cloud-pubsub \
google-cloud-redis \
google-cloud-spanner \
google-cloud-speech \
google-cloud-storage \
google-cloud-texttospeech \
google-cloud-translate \
google-cloud-vision \
langchain \
lightgbm \
koalas \
matplotlib \
mlflow \
nltk \
numba \
numpy \
openblas \
orc \
pandas \
pyarrow \
pynvml \
pysal \
pytables \
python \
pytorch-cpu \
regex \
requests \
rtree \
scikit-image \
scikit-learn \
scipy \
seaborn \
sentence-transformers \
sqlalchemy \
sympy \
tokenizers \
transformers \
virtualenv \
xgboost
# Install pip packages.
RUN ${PYSPARK_PYTHON} -m pip install \
spark-tensorflow-distributor \
torcheval
# Install R and R libraries.
RUN ${CONDA_HOME}/bin/mamba install -n base \
r-askpass \
r-assertthat \
r-backports \
r-bit \
r-bit64 \
r-blob \
r-boot \
r-brew \
r-broom \
r-callr \
r-caret \
r-cellranger \
r-chron \
r-class \
r-cli \
r-clipr \
r-cluster \
r-codetools \
r-colorspace \
r-commonmark \
r-cpp11 \
r-crayon \
r-curl \
r-data.table \
r-dbi \
r-dbplyr \
r-desc \
r-devtools \
r-digest \
r-dplyr \
r-ellipsis \
r-evaluate \
r-fansi \
r-fastmap \
r-forcats \
r-foreach \
r-foreign \
r-fs \
r-future \
r-generics \
r-ggplot2 \
r-gh \
r-glmnet \
r-globals \
r-glue \
r-gower \
r-gtable \
r-haven \
r-highr \
r-hms \
r-htmltools \
r-htmlwidgets \
r-httpuv \
r-httr \
r-hwriter \
r-ini \
r-ipred \
r-isoband \
r-iterators \
r-jsonlite \
r-kernsmooth \
r-knitr \
r-labeling \
r-later \
r-lattice \
r-lava \
r-lifecycle \
r-listenv \
r-lubridate \
r-magrittr \
r-markdown \
r-mass \
r-matrix \
r-memoise \
r-mgcv \
r-mime \
r-modelmetrics \
r-modelr \
r-munsell \
r-nlme \
r-nnet \
r-numderiv \
r-openssl \
r-pillar \
r-pkgbuild \
r-pkgconfig \
r-pkgload \
r-plogr \
r-plyr \
r-praise \
r-prettyunits \
r-processx \
r-prodlim \
r-progress \
r-promises \
r-proto \
r-ps \
r-purrr \
r-r6 \
r-randomforest \
r-rappdirs \
r-rcmdcheck \
r-rcolorbrewer \
r-rcpp \
r-rcurl \
r-readr \
r-readxl \
r-recipes \
r-recommended \
r-rematch \
r-remotes \
r-reprex \
r-reshape2 \
r-rlang \
r-rmarkdown \
r-rodbc \
r-roxygen2 \
r-rpart \
r-rprojroot \
r-rserve \
r-rsqlite \
r-rstudioapi \
r-rvest \
r-scales \
r-selectr \
r-sessioninfo \
r-shape \
r-shiny \
r-sourcetools \
r-spatial \
r-squarem \
r-stringi \
r-stringr \
r-survival \
r-sys \
r-teachingdemos \
r-testthat \
r-tibble \
r-tidyr \
r-tidyselect \
r-tidyverse \
r-timedate \
r-tinytex \
r-usethis \
r-utf8 \
r-uuid \
r-vctrs \
r-whisker \
r-withr \
r-xfun \
r-xml2 \
r-xopen \
r-xtable \
r-yaml \
r-zip
ENV R_HOME=/usr/lib/R
# Add extra Python modules.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
# Add extra jars.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}"
#Uncomment below and replace EXTRA_JAR_NAME with the jar file name.
#COPY "EXTRA_JAR_NAME" "${SPARK_EXTRA_JARS_DIR}"
# Create the 'spark' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 spark
RUN useradd -u 1099 -g 1099 -d /home/spark -m spark
USER spark
构建命令
在 Dockerfile 目录中运行以下命令，以构建自定义映像并将其推送到 Artifact Registry。
# Build and push the image. gcloud builds submit --region=REGION \ --tag REGION-docker.pkg.dev/PROJECT/REPOSITORY/IMAGE_NAME:IMAGE_VERSION