Dataproc Serverless para Spark ejecuta cargas de trabajo dentro de contenedores de Docker. El contenedor proporciona el entorno de ejecución para los procesos del controlador y ejecutor de la carga de trabajo. De forma predeterminada, Dataproc Serverless para Spark usa una imagen de contenedor que incluye los paquetes Spark, Java, Python y R predeterminados asociados con una versión de actualización del entorno de ejecución. La API de lotes de Dataproc Serverless for Spark te permite usar una imagen de contenedor personalizada en lugar de la imagen predeterminada. Por lo general, una imagen de contenedor personalizada agrega dependencias de Java o Python a la carga de trabajo de Spark que no proporciona la imagen del contenedor predeterminada. Importante: No incluyas Spark en tu imagen de contenedor personalizada, Dataproc Serverless para Spark activará Spark en el contenedor en el entorno de ejecución.
Envía una carga de trabajo por lotes de Spark con una imagen de contenedor personalizada
gcloud
Usa el comando gcloud dataproc Batch submit spark con la marca --container-image para especificar la imagen de contenedor personalizada cuando envías una carga de trabajo por lotes de 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
Notas:
- Imagen personalizada: Especifica la imagen de contenedor personalizada con el siguiente formato de nombre de imagen de Container Registry:
{hostname}/{project-id}/{image}:{tag}, por ejemplo, “gcr.io/my-project-id/my-image:1.0.1”. Nota: Debes alojar la imagen de contenedor personalizada en Container Registry o Artifact Registry. (Dataproc sin servidores no puede recuperar contenedores de otros registros). --jars: Especifica una ruta de acceso a una carga de trabajo del usuario incluida en tu imagen de contenedor personalizada o ubicada en Cloud Storage, por ejemplo,/opt/spark/jars/spark-examples.jarogs://my-bucket/spark/jars/spark-examples.jar.- Otras opciones de comandos de lotes: Puedes agregar otras marcas de comando por lotes opcionales, por ejemplo, para usar un servidor de historial persistente (PHS). Nota: El PHS debe estar ubicado en la región en la que ejecutas las cargas de trabajo por lotes.
- argumentos de la carga de trabajoPuedes agregar cualquier argumento de la carga de trabajo si agregas “--” al final del comando, seguido de los argumentos de la carga de trabajo.
REST
La imagen del contenedor personalizada se proporciona a través del campo RuntimeConfig.containerImage como parte de una solicitud a la API batches.create.
En el siguiente ejemplo, se muestra cómo usar un contenedor personalizado para enviar una carga de trabajo por lotes con la API batches.create de Dataproc Serverless for Spark.
Antes de usar cualquiera de los datos de solicitud a continuación, realiza los siguientes reemplazos:
- project-id: ID del proyecto de Google Cloud
- region: región
- custom-container-image: Especifica la imagen de contenedor personalizada con el siguiente formato de nombre de imágenes de Container Registry:
{hostname}/{project-id}/{image}:{tag}, por ejemplo, “gcr.io/my-project-id/my-image:1.0.1”. Nota: Debes alojar tu contenedor personalizado en Container Registry o Artifact Registry . (Dataproc sin servidores no puede recuperar contenedores de otros registros). jar-uri: Especifica una ruta de acceso a un jar de carga de trabajo incluido en tu imagen de contenedor personalizada o ubicado en Cloud Storage, por ejemplo, “/opt/spark/jars/spark-examples.jar” o “gs:///spark/jars/spark-examples.jar”.class: Es el nombre completamente calificado de una clase en el archivo jar, como “org.apache.spark.examples.SparkPi”.- Otras opciones: Puedes usar otros campos de recursos de carga de trabajo por lotes, por ejemplo,
usa el campo
sparkBatch.argspara pasar argumentos a tu carga de trabajo (consulta la documentación sobre recursosBatchpara obtener más información). Para usar un servidor de historial persistente (PHS), consulta Configura un servidor de historial persistente. Nota: El PHS debe estar ubicado en la región en la que ejecutas las cargas de trabajo por lotes.
Método HTTP y URL:
POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches
Cuerpo JSON de la solicitud:
{
"runtimeConfig":{
"containerImage":"custom-container-image
},
"sparkBatch":{
"jarFileUris":[
"jar-uri"
],
"mainClass":"class"
}
}
Para enviar tu solicitud, expande una de estas opciones:
Deberías recibir una respuesta JSON similar a la que se muestra a continuación:
{
"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"
}
Compila una imagen de contenedor personalizada
Las imágenes de contenedor personalizadas de Dataproc Serverless para Spark son imágenes de Docker. Puedes usar las herramientas para compilar imágenes de Docker y compilar imágenes de contenedor personalizadas, pero existen condiciones que las imágenes deben cumplir para ser compatibles con Dataproc Serverless para Spark. En las siguientes secciones, se explican estas condiciones.
Sistema operativo
Puedes elegir cualquier imagen de sistema operativo como imagen base de la imagen de contenedor personalizada.
Recomendación: Se prefieren las imágenes predeterminadas de Debian 11 (por ejemplo, debian:11-slim), ya que recibieron pruebas para evitar problemas de compatibilidad.
Servicios públicos
Debes incluir los siguientes paquetes de utilidades, que son necesarios para ejecutar Spark, en tu imagen de contenedor personalizada:
procpstini
Para ejecutar XGBoost desde Spark (Java o Scala), debes incluir libgomp1.
Usuario del contenedor
Dataproc Serverless para Spark ejecuta contenedores como el usuario spark de Linux con un UID 1099 y un GID 1099. Las directivas USER establecidas en Dockerfiles con imágenes de contenedor personalizadas se ignoran en el entorno de ejecución. Usa el UID y GID para los permisos del sistema de archivos.
Por ejemplo, si agregas un archivo jar a /opt/spark/jars/my-lib.jar en la imagen como una dependencia de carga de trabajo, debes otorgar permiso de lectura al usuario spark para el archivo.
Transmisión de imágenes
Por lo general, Dataproc Serverless para Spark inicia una carga de trabajo que requiere una imagen de contenedor personalizada mediante la descarga de toda la imagen en el disco. Esto puede significar un retraso en el tiempo de inicialización, en especial para clientes con imágenes grandes.
En su lugar, puedes usar la transmisión de imágenes, que es un método para extraer datos de imágenes según sea necesario. Esto permite que la carga de trabajo se inicie sin esperar a que se descargue toda la imagen, lo que podría mejorar el tiempo de inicialización. Para habilitar la transmisión de imágenes, debes habilitar la API de Container Filesystem. También debes almacenar tus imágenes de contenedor en Artifact Registry, y el repositorio de Artifact Registry debe estar en la misma región que tu carga de trabajo de Dataproc o en una multirregión que corresponda a la región en la que se ejecuta tu carga de trabajo. Si Dataproc no admite la imagen o el servicio de transmisión de imágenes no está disponible, nuestra implementación de transmisión descarga la imagen completa. Ten en cuenta que no admitimos lo siguiente para la transmisión de imágenes:
- Imágenes con capas vacías o duplicadas
- Imágenes que usen el Manifiesto de imágenes V2, versión 1 del esquema
En estos casos, Dataproc extrae la imagen completa antes de iniciar la carga de trabajo.
Spark
No incluyas Spark en tu imagen de contenedor personalizada. En el entorno de ejecución, Dataproc Serverless para Spark activa los objetos binarios y los parámetros de configuración de Spark del host en el contenedor: los objetos binarios se activan en el directorio /usr/lib/spark y los parámetros de configuración en el directorio /etc/spark/conf. Dataproc Serverless para Spark anula los archivos existentes en estos directorios en el entorno de ejecución.
Java Runtime Environment
No incluyas tu propio entorno de ejecución de Java (JRE) en tu imagen de contenedor personalizada.
Durante el tiempo de ejecución, Dataproc Serverless para Spark activa OpenJDK desde el host en el contenedor. Si incluyes un JRE en la imagen de contenedor personalizada, se ignorará.
Paquetes Java
Puedes incluir archivos jar como dependencias de carga de trabajo de Spark en tu imagen de contenedor personalizada y puedes configurar la variable de entorno SPARK_EXTRA_CLASSPATH para incluir los archivos jar. Dataproc Serverless para Spark agregará el valor de la variable env en la ruta de clase de los procesos de JVM de Spark. Recomendación: Coloca archivos jar en el directorio /opt/spark/jars y configura SPARK_EXTRA_CLASSPATH como /opt/spark/jars/*.
Puedes incluir el jar de la carga de trabajo en la imagen del contenedor personalizada y, luego, hacer referencia a él con una ruta local
cuando envíes la carga de trabajo, por ejemplo, file:///opt/spark/jars/my-spark-job.jar
(consulta Envía una carga de trabajo por lotes de Spark con una imagen de contenedor personalizada para ver un ejemplo).
Paquetes de Python
De forma predeterminada, Dataproc Serverless para Spark activa Conda desde el host al directorio /opt/dataproc/conda en el contenedor en el entorno de ejecución.
PYSPARK_PYTHON se estableció en /opt/dataproc/conda/bin/python. Su directorio base, /opt/dataproc/conda/bin, se incluye en PATH.
Puedes incluir tu entorno de Python con paquetes en un directorio diferente en tu imagen de contenedor personalizada, por ejemplo, en /opt/conda, y establecer la variable de entorno PYSPARK_PYTHON en /opt/conda/bin/python.
Tu imagen de contenedor personalizada puede incluir otros módulos de Python que no forman parte del entorno de Python, por ejemplo, secuencias de comandos de Python con funciones de utilidad.
Establece la variable de entorno PYTHONPATH para incluir los directorios en los que se encuentran los módulos.
Entorno de R
Puedes personalizar el entorno de R en tu imagen de contenedor personalizada con una de las siguientes opciones:
- usar Conda para administrar e instalar paquetes de R desde el canal conda-forge
- agregar un repositorio de R para tu imagen de contenedor del SO Linux y, además, instalar paquetes de R a través del administrador de paquetes del SO Linux (consulta el índice de paquetes de R Software)
Cuando utilizas cualquiera de las opciones, debes configurar la variable de entorno R_HOME para que apunte a tu entorno R personalizado. Excepción: Si usas Conda para administrar tu entorno de R y personalizar tu entorno de Python, no necesitas configurar la variable de entorno R_HOME, ya que se configura automáticamente según la variable de entorno PYSPARK_PYTHON.
Ejemplo de compilación de imagen de contenedor personalizada
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 "${PYTHONPATH}"
# (Optional) Install R and R libraries.
RUN apt update \
&& apt install -y gnupg \
&& apt-key adv --no-tty \
--keyserver "hkp://keyserver.ubuntu.com:80" \
--recv-keys E19F5F87128899B192B1A2C2AD5F960A256A04AF \
&& echo "deb http://cloud.r-project.org/bin/linux/debian bullseye-cran40/" \
>/etc/apt/sources.list.d/cran-r.list \
&& apt update \
&& apt install -y \
libopenblas-base \
libssl-dev \
r-base \
r-base-dev \
r-recommended \
r-cran-blob
ENV R_HOME=/usr/lib/R
# (Required) Create the 'spark' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 spark
RUN useradd -u 1099 -g 1099 -d /home/spark -m spark
USER spark
Comandos de compilación
Se ejecuta en el directorio de Dockerfile.
IMAGE=gcr.io/my-project/my-image:1.0.1
# Download the BigQuery connector.
gsutil cp \
gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .
# Download the Miniconda3 installer.
wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.10.3-Linux-x86_64.sh
# Python module example
cat >test_util.py <<EOF
def hello(name):
print("hello {}".format(name))
def read_lines(path):
with open(path) as f:
return f.readlines()
EOF
# Build and push the image.
docker build -t "${IMAGE}" .
docker push "${IMAGE}"