Utiliser des conteneurs personnalisés avec Dataproc sans serveur pour Spark

Dataproc sans serveur pour Spark exécute des charges de travail dans des conteneurs Docker. Le conteneur fournit l'environnement d'exécution pour le pilote de la charge de travail et les processus de l’exécuteur. Par défaut, Dataproc sans serveur pour Spark utilise un image de conteneur qui inclut les packages Spark, Java, Python et R par défaut est associée à une version d'exécution. Dataproc sans serveur pour Spark lots L'API vous permet d'utiliser une image de conteneur personnalisée au lieu de l'image par défaut l'image. En règle générale, une image de conteneur personnalisé ajoute la charge de travail Spark Java ou Python les dépendances non fournies par l'image de conteneur par défaut. Important : inclure Spark dans votre image de conteneur personnalisé ; Dataproc sans serveur pour Spark installera Spark dans le conteneur au moment de l'exécution.

Envoyer une charge de travail par lot Spark à l'aide d'une image de conteneur personnalisée

gcloud

Utilisez les gcloud dataproc lots submit spark avec l'option --container-image pour spécifier votre image de conteneur personnalisé lorsque vous envoyez une charge de travail par lot Spark.

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

Remarques :

  • Custom-image:spécifiez l'image du conteneur personnalisé à l'aide de la méthode le format de nommage d'image Container Registry suivant: {hostname}/{project-id}/{image}:{tag}, par exemple, "gcr.io/my-project-id/my-image:1.0.1". Remarque:Vous devez héberger votre image de conteneur personnalisé sur Container Registry ou Artifact Registry. (Dataproc sans serveur ne peut pas récupérer des conteneurs à partir d'autres registres.)
  • --jars:spécifiez le chemin d'accès à charge de travail de l'utilisateur incluse dans votre image de conteneur personnalisé ou située dans Cloud Storage, par exemple, file:///opt/spark/jars/spark-examples.jar ou gs://my-bucket/spark/jars/spark-examples.jar.
  • Autres options de commande pour les lots:vous pouvez ajouter d'autres lots facultatifs options de commande, par exemple, pour utiliser un serveur d'historique persistant (PHS). Remarque: Le PHS doit être situé dans la région où vous exécutez les charges de travail par lot.
  • Arguments de charge de travailVous pouvez ajouter n'importe quel argument de charge de travail en ajoutant un signe "--" à à la fin de la commande, suivie des arguments de la charge de travail.

REST

L'image de conteneur personnalisé est fournie via la méthode RuntimeConfig.containerImage dans le cadre d'un batches.create Requête API.

L'exemple suivant montre comment utiliser un conteneur personnalisé pour envoyer une charge de travail par lot à l'aide de Dataproc sans serveur pour Spark batches.create.

Avant d'utiliser les données de requête ci-dessous, effectuez les remplacements suivants :

  • project-id : ID de projet Google Cloud
  • region: région
  • custom-container-image: spécifiez l'image de conteneur personnalisé à l'aide de la méthode le format de nommage d'image Container Registry suivant: {hostname}/{project-id}/{image}:{tag}, par exemple, "gcr.io/my-project-id/my-image:1.0.1". Remarque: Vous devez héberger votre conteneur personnalisé sur Container Registry ou Artifact Registry . (Dataproc sans serveur ne peut pas récupérer des conteneurs à partir d'autres registres.)
  • jar-uri: Spécifiez un chemin d'accès à un fichier JAR de charge de travail inclus dans votre image de conteneur personnalisé ou situé dans Cloud Storage, par exemple : "/opt/spark/jars/spark-examples.jar" ou "gs:///spark/jars/spark-examples.jar".
  • class:nom complet d'une classe dans le fichier JAR, tel que "org.apache.spark.examples.SparkPi".
  • Autres options:vous pouvez utiliser d'autres champs de ressources de charge de travail par lot, tels que utilisez la méthode sparkBatch.args pour transmettre des arguments à votre charge de travail (consultez la Batch (documentation de référence pour en savoir plus). Pour utiliser un Serveur d'historique persistant (PHS) consultez la page Configurer un serveur d'historique persistant. Remarque: Le PHS doit être situé dans la région où vous exécutez les charges de travail par lot.

Méthode HTTP et URL : 

POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches

Corps JSON de la requête :

{
  "runtimeConfig":{
    "containerImage":"custom-container-image
  },
  "sparkBatch":{
    "jarFileUris":[
      "jar-uri"
    ],
    "mainClass":"class"
  }
}

Pour envoyer votre requête, développez l'une des options suivantes :

Vous devriez recevoir une réponse JSON de ce type :

{
"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"
}

Créer une image de conteneur personnalisée

Les images de conteneur personnalisé Dataproc sans serveur pour Spark sont des images Docker. Vous pouvez utiliser les outils permettant de créer des images Docker pour créer des images de conteneurs personnalisées, les images doivent remplir les conditions pour être compatibles avec Dataproc sans serveur pour Spark. Les sections suivantes décrivent ces conditions.

Système d'exploitation

Vous pouvez choisir n'importe quelle image de système d'exploitation comme image de base de votre image de conteneur personnalisé. Recommandation: Il est préférable d'utiliser les images Debian 11 par défaut (par exemple, debian:11-slim). car elles ont fait l'objet de tests pour éviter les problèmes de compatibilité.

Utilitaires

Vous devez inclure les packages utilitaires suivants, qui sont requis pour exécuter Spark dans votre image de conteneur personnalisé:

  • procps
  • tini

Pour exécuter XGBoost à partir de Spark (Java ou Scala), vous devez inclure libgomp1

Utilisateur du conteneur

Dataproc sans serveur pour Spark exécute des conteneurs en tant qu'utilisateur Linux spark avec un UID 1099 et GID 1099. Instructions USER définies dans les fichiers Dockerfile de l'image de conteneur personnalisée sont ignorés lors de l'exécution. Utilisez l'UID et le GID pour les autorisations du système de fichiers. Par exemple, si vous ajoutez un fichier JAR à /opt/spark/jars/my-lib.jar dans l'image en tant que dépendance de la charge de travail, vous devez accorder à l'utilisateur spark l'autorisation de lecture .

Streaming d'images

Dataproc sans serveur pour Spark lance normalement une charge de travail nécessitant une image de conteneur personnalisée en téléchargeant l'image entière sur le disque. Cela peut entraîner un retard d'initialisation en particulier pour les clients avec des images volumineuses.

À la place, vous pouvez utiliser un flux d'images, qui permet d'extraire les données d'image d'une selon les besoins. Cela permet à la charge de travail de démarrer sans attendre l'intégralité à télécharger, ce qui peut améliorer le temps d'initialisation. Pour activer l'image en flux continu, vous devez activer API Container File System : Vous devez également stocker vos images de conteneurs dans Artifact Registry et Artifact Registry doit se trouver dans la même région que votre charge de travail Dataproc ou dans un un emplacement multirégional correspondant à la région dans laquelle votre charge de travail s'exécute. Si Dataproc n'est pas compatible avec l'image ou le streaming d'image n'est pas disponible, notre implémentation en flux continu télécharge l'intégralité l'image. Notez que les éléments suivants ne sont pas compatibles avec le streaming d'images:

Dans ce cas, Dataproc extrait l'image entière avant de lancer la charge de travail.

Spark

N'incluez pas Spark dans votre image de conteneur personnalisé. Au moment de l'exécution, Dataproc sans serveur pour Spark installe des configurations et des binaires Spark depuis l'hôte dans le conteneur: binaires sont installés dans le répertoire /usr/lib/spark et les configurations sont installées dans le /etc/spark/conf. Les fichiers existants dans ces répertoires sont remplacés par Dataproc sans serveur pour Spark au moment de l'exécution.

Environnement d'exécution Java

N'incluez pas votre propre environnement d'exécution Java (JRE) dans votre image de conteneur personnalisé. Au moment de l'exécution, Dataproc sans serveur pour Spark installe OpenJDK depuis l'hôte dans le conteneur. Si vous incluez un JRE dans votre image de conteneur personnalisé, il sera ignoré.

Packages Java

Vous pouvez inclure des fichiers JAR en tant que dépendances de charge de travail Spark dans votre image de conteneur personnalisé Définissez la variable d'environnement SPARK_EXTRA_CLASSPATH pour inclure les fichiers JAR. Dataproc sans serveur pour Spark Ajoutez la valeur de la variable d'environnement dans le classpath des processus JVM Spark. Recommandation: placez "jars" dans le répertoire /opt/spark/jars et définissez SPARK_EXTRA_CLASSPATH à /opt/spark/jars/*.

Vous pouvez inclure le fichier JAR de la charge de travail dans votre image de conteneur personnalisé, puis la référencer avec un chemin d'accès local lors de l'envoi de la charge de travail, par exemple file:///opt/spark/jars/my-spark-job.jar (Pour obtenir un exemple, consultez Envoyer une charge de travail par lot Spark à l'aide d'une image de conteneur personnalisé).

Packages Python

Par défaut, Dataproc sans serveur pour Spark installe Conda de l'hôte vers le répertoire /opt/dataproc/conda dans le conteneur au moment de l'exécution. PYSPARK_PYTHON est défini sur /opt/dataproc/conda/bin/python. Son répertoire de base, /opt/dataproc/conda/bin est inclus dans PATH.

Vous pouvez inclure votre environnement Python avec des packages situés dans un autre répertoire dans votre image de conteneur personnalisé, par exemple dans /opt/conda, et définissez PYSPARK_PYTHON sur /opt/conda/bin/python.

Votre image de conteneur personnalisé peut inclure d'autres modules Python qui ne font pas partie de l'environnement Python, par exemple des scripts Python avec des fonctions utilitaires. Définissez la variable d'environnement PYTHONPATH pour inclure les répertoires où où se trouvent les modules.

Environnement R

Vous pouvez personnaliser l'environnement R dans votre image de conteneur personnalisé à l'aide de l'une des options suivantes:

  • Utilisez Conda pour gérer et installer les packages R à partir du canal conda-forge.
  • Ajoutez un dépôt R pour l'OS Linux de votre image de conteneur et installez les paquets R à l'aide du gestionnaire de packages du système d'exploitation Linux (consultez Index de packages logiciels R).

Lorsque vous utilisez l'une ou l'autre option, vous devez définir la variable d'environnement R_HOME de pointer vers votre environnement R personnalisé. Exception: si vous utilisez Conda pour gérer votre environnement R et personnaliser votre environnement Python, vous n'avez pas besoin de définir la variable d'environnement R_HOME. il est automatiquement définie en fonction de la variable d'environnement PYSPARK_PYTHON.

Exemple de compilation d'image de conteneur personnalisé

Cette section inclut un exemple de compilation d'image de conteneur personnalisé, avec un exemple de fichier Dockerfile.

Dockerfile

# Debian 11 is recommended.
FROM debian:11-slim

# Suppress interactive prompts
ENV DEBIAN_FRONTEND=noninteractive

# (Required) Install utilities required by Spark scripts.
RUN apt update && apt install -y procps tini libjemalloc2

# (Optiona) Install utilities required by XGBoost for Spark.
RUN apt install -y procps libgomp1

# Enable jemalloc2 as default memory allocator
ENV LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libjemalloc.so.2

# (Optional) Add extra jars.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}"
COPY spark-bigquery-with-dependencies_2.12-0.22.2.jar "${SPARK_EXTRA_JARS_DIR}"

# (Optional) Install and configure Miniconda3.
ENV CONDA_HOME=/opt/miniconda3
ENV PYSPARK_PYTHON=${CONDA_HOME}/bin/python
ENV PATH=${CONDA_HOME}/bin:${PATH}
COPY Miniconda3-py39_4.10.3-Linux-x86_64.sh .
RUN bash Miniconda3-py39_4.10.3-Linux-x86_64.sh -b -p /opt/miniconda3 \
  && ${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 --prepend channels conda-forge \
  && ${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/conda install ipython ipykernel

# (Optional) Install Conda packages.
#
# The following packages are installed in the default image, it is strongly
# recommended to include all of them.
#
# Use mamba to install packages quickly.
RUN ${CONDA_HOME}/bin/conda install mamba -n base -c conda-forge \
    && ${CONDA_HOME}/bin/mamba install \
      conda \
      cython \
      fastavro \
      fastparquet \
      gcsfs \
      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 \
      koalas \
      matplotlib \
      nltk \
      numba \
      numpy \
      openblas \
      orc \
      pandas \
      pyarrow \
      pysal \
      pytables \
      python \
      regex \
      requests \
      rtree \
      scikit-image \
      scikit-learn \
      scipy \
      seaborn \
      sqlalchemy \
      sympy \
      virtualenv

# (Optional) Add extra Python modules.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
COPY test_util.py "${PYTHONPATH}"

# (Optional) Install R and R libraries.
RUN apt update \
  && apt install -y gnupg \
  && apt-key adv --no-tty \
      --keyserver "hkp://keyserver.ubuntu.com:80" \
      --recv-keys E19F5F87128899B192B1A2C2AD5F960A256A04AF \
  && echo "deb http://cloud.r-project.org/bin/linux/debian bullseye-cran40/" \
      >/etc/apt/sources.list.d/cran-r.list \
  && apt update \
  && apt install -y \
      libopenblas-base \
      libssl-dev \
      r-base \
      r-base-dev \
      r-recommended \
      r-cran-blob

ENV R_HOME=/usr/lib/R

# (Required) 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

Commandes de compilation

Exécutez-le dans le répertoire Dockerfile.

IMAGE=gcr.io/my-project/my-image:1.0.1

# Download the BigQuery connector.
gcloud storage cp \
  gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .

# Download the Miniconda3 installer.
wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.10.3-Linux-x86_64.sh

# Python module example
cat >test_util.py <<EOF
def hello(name):
  print("hello {}".format(name))

def read_lines(path):
  with open(path) as f:
    return f.readlines()
EOF

# Build and push the image.
docker build -t "${IMAGE}" .
docker push "${IMAGE}"