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 batches 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 无法从其他注册表提取容器）。 --jars：指定指向自定义容器映像或 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的批处理命令标志，例如，使用永久性历史记录服务器 (PHS)。注意：PHS 必须位于运行批量工作负载的区域。
- 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 RuntimeConfig.containerImage 字段作为 batches.create API 请求的一部分提供。
以下示例介绍如何使用自定义容器通过 Dataproc Spark 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：您可以使用其他批量工作负载资源字段，例如，使用
sparkBatch.args字段将参数传递给工作负载（如需了解详情，请参阅Batch资源文档）。如需使用永久性历史记录服务器 (PHS)，请参阅设置永久性历史记录服务器。注意：PHS 必须位于运行批量工作负载的区域。
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，但这些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
您可以选择任何操作系统映像作为自定义容器映像的基础映像。建议：首选默认的 Debian 11 映像（例如 debian:11-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添加运行 Spark 所需的以下实用程序软件包：
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。系统会在运行时忽略自定义容器映像 Dockerfile 中设置的 USER 指令。使用 UID 和 GID 授予文件系统权限。
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 通常通过将整个映像下载到磁盘来启动需要自定义容器映像的工作负载。这可能意味着初始化时间会延迟，对于使用大型图片的客户来说更是如此。
您可以改用映像流式传输，这是一种根据需要拉取映像数据的方法。这样，工作负载无需等待整个映像下载完毕，即可启动，从而可能缩短初始化时间。如需启用图片流式传输，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 Dataproc 工作负载位于同一区域，或者与运行工作负载的区域对应的多区域中。如果 Dataproc 不支持该映像，或者映像流式传输服务不可用，则我们的流式传输实现会下载整个映像。请注意，我们不支持对图片流式传输进行以下处理：
- 包含空图层或重复图层的图片
- 使用 V2 Image Manifest Schema 1 的映像
在这些情况下，Dataproc 会在启动工作负载之前拉取整个映像。
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
请勿在自定义容器映像中包含您自己的 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，它将被忽略。
Java 软件包
您可以将 jar 文件作为 Spark 工作负载依赖项包含在自定义容器映像中，并且可以设置 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包含工作负载 jar，然后在提交工作负载时使用本地路径引用该 jar，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 在运行时会将 Conda 从主机装载到容器中的 /opt/dataproc/conda 目录。PYSPARK_PYTHON 设置为 /opt/dataproc/conda/bin/python。其基本目录 /opt/dataproc/conda/bin 包含在 PATH 中。
您可以在自定义容器映像的其他目录（例如 /opt/conda）中添加 Python 环境，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，例如带有实用函数的 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在自定义容器映像中自定义 R 环境：
- 使用 Conda 通过
conda-forge渠道管理和安装 R 软件包。 - 为您的容器映像 Linux 操作系统添加 R 代码库，并使用 Linux 操作系统软件包管理器安装 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您的自定义 R 环境。例外情况：如果您使用 Conda 来管理 R 环境并自定义 Python 环境，则无需设置 R_HOME 环境变量；它会根据 PYSPARK_PYTHON 环境变量自动进行设置。
自定义容器映像构建示例
本部分包括自定义容器映像构建示例，从示例 Dockerfile 开始。
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 "${PYTHONPATH}"
# (Optional) Install R and R libraries.
RUN apt update \
&& apt install -y gnupg \
&& apt-key adv --no-tty \
--keyserver "hkp://keyserver.ubuntu.com:80" \
--recv-keys E19F5F87128899B192B1A2C2AD5F960A256A04AF \
&& echo "deb http://cloud.r-project.org/bin/linux/debian bullseye-cran40/" \
>/etc/apt/sources.list.d/cran-r.list \
&& apt update \
&& apt install -y \
libopenblas-base \
libssl-dev \
r-base \
r-base-dev \
r-recommended \
r-cran-blob
ENV R_HOME=/usr/lib/R
# (Required) Create the 'spark' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 spark
RUN useradd -u 1099 -g 1099 -d /home/spark -m spark
USER spark
构建命令
在 Dockerfile 目录中运行。
IMAGE=gcr.io/my-project/my-image:1.0.1
# Download the BigQuery connector.
gsutil cp \
gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .
# Download the Miniconda3 installer.
wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.10.3-Linux-x86_64.sh
# Python module example
cat >test_util.py <<EOF
def hello(name):
print("hello {}".format(name))
def read_lines(path):
with open(path) as f:
return f.readlines()
EOF
# Build and push the image.
docker build -t "${IMAGE}" .
docker push "${IMAGE}"