Personalizar o ambiente de execução do job do Spark com o Docker no YARN

Com o recurso Docker no YARN do Dataproc, é possível para criar e usar uma imagem Docker para personalizar seu Ambiente de execução do job do Spark. A imagem pode incluir personalizações dependências de Java, Python e R e ao jar do job.

Limitações

A disponibilidade ou o suporte do recurso não estão disponíveis para:

  • Versões de imagem do Dataproc anteriores à 2.0.49 (não disponíveis em imagens 1.5)
  • Jobs MapReduce (com suporte apenas para jobs do Spark)
  • Modo de cliente do Spark (somente com suporte para o modo de cluster do Spark)
  • Clusters do Kerberos: a criação de clusters falha se você criar um cluster com o Docker no YARN e o Kerberos ativado.
  • Personalizações do JDK, Hadoop e Spark: o JDK do host, Hadoop e Spark são usados, não suas personalizações.

Criar uma imagem do Docker

A primeira etapa para personalizar seu ambiente do Spark é criar uma imagem do Docker.

Dockerfile

Use o Dockerfile abaixo como exemplo e faça alterações e adições para atender às suas necessidades.

FROM debian:10-slim

# Suppress interactive prompts.
ENV DEBIAN_FRONTEND=noninteractive

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

# Optional: Add extra jars.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}"
COPY *.jar "${SPARK_EXTRA_JARS_DIR}"

# Optional: Install and configure Miniconda3.
ENV CONDA_HOME=/opt/miniconda3
ENV PYSPARK_PYTHON=${CONDA_HOME}/bin/python
ENV PYSPARK_DRIVER_PYTHON=${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

# 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}"

# Required: Create the 'yarn_docker_user' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 yarn_docker_user
RUN useradd -u 1099 -g 1099 -d /home/yarn_docker_user -m yarn_docker_user
USER yarn_docker_user

Criar e enviar a imagem

A seguir, há comandos para criar e enviar a imagem de exemplo do Docker. Você pode fazer alterações de acordo com suas personalizações.

# Increase the version number when there is a change to avoid referencing
# a cached older image. Avoid reusing the version number, including the default
# `latest` version.
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}"

Criar um cluster do Dataproc

Depois de criar uma imagem Docker que personalize seu ambiente do Spark, crie um cluster do Dataproc que vai usar a imagem Docker ao executar jobs do Spark.

gcloud

gcloud dataproc clusters create CLUSTER_NAME \
    --region=REGION \
    --image-version=DP_IMAGE \
    --optional-components=DOCKER \
    --properties=dataproc:yarn.docker.enable=true,dataproc:yarn.docker.image=DOCKER_IMAGE \
    other flags

Substitua:

  • CLUSTER_NAME: o nome do cluster.
  • REGION: a região do cluster.
  • DP_IMAGE: a versão da imagem do Dataproc precisa ser 2.0.49 ou mais recente (--image-version=2.0 vai usar uma versão secundária qualificada mais recente que 2.0.49).
  • --optional-components=DOCKER: ativa o componente Docker no cluster.
  • Flag --properties:
    • dataproc:yarn.docker.enable=true: propriedade obrigatória para ativar o Dataproc Docker no recurso YARN.
    • dataproc:yarn.docker.image: propriedade opcional que pode ser adicionada para especificar o DOCKER_IMAGE usando o seguinte formato de nomenclatura de imagem do Container Registry: {hostname}/{project-id}/{image}:{tag}.

      Exemplo:

      dataproc:yarn.docker.image=gcr.io/project-id/image:1.0.1
      

      Requisito: é necessário hospedar a imagem do Docker no Container Registry ou no Artifact Registry. (o Dataproc não pode buscar contêineres de outros registros).

      Recomendação: adicione essa propriedade ao criar o cluster para armazenar a imagem do Docker em cache e evitar timeouts do YARN mais tarde quando enviar um job que usa a imagem.

Quando dataproc:yarn.docker.enable é definido como true, o Dataproc atualiza as configurações do Hadoop e do Spark para ativar o recurso Docker no YARN no cluster. Por exemplo, spark.submit.deployMode é definido como cluster. spark.yarn.appMasterEnv.YARN_CONTAINER_RUNTIME_DOCKER_MOUNTS e spark.executorEnv.YARN_CONTAINER_RUNTIME_DOCKER_MOUNTS estão definidos para montagem diretórios do host para o contêiner.

Enviar um job do Spark para o cluster

Depois de criar um cluster do Dataproc, envie um job do Spark para o cluster que usa sua imagem do Docker. O exemplo nesta seção, envia um job do PySpark para o cluster.

Defina as propriedades do job:

# Set the Docker image URI.
IMAGE=(e.g., gcr.io/my-project/my-image:1.0.1)

# Required: Use `#` as the delimiter for properties to avoid conflicts.
JOB_PROPERTIES='^#^'

# Required: Set Spark properties with the Docker image.
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.yarn.appMasterEnv.YARN_CONTAINER_RUNTIME_DOCKER_IMAGE=${IMAGE}"
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.executorEnv.YARN_CONTAINER_RUNTIME_DOCKER_IMAGE=${IMAGE}"

# Optional: Add custom jars to Spark classpath. Don't set these properties if
# there are no customizations.
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.driver.extraClassPath=/opt/spark/jars/*"
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.executor.extraClassPath=/opt/spark/jars/*"

# Optional: Set custom PySpark Python path only if there are customizations.
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.pyspark.python=/opt/miniconda3/bin/python"
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.pyspark.driver.python=/opt/miniconda3/bin/python"

# Optional: Set custom Python module path only if there are customizations.
# Since the `PYTHONPATH` environment variable defined in the Dockerfile is
# overridden by Spark, it must be set as a job property.
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.yarn.appMasterEnv.PYTHONPATH=/opt/python/packages"
JOB_PROPERTIES="${JOB_PROPERTIES}#spark.executorEnv.PYTHONPATH=/opt/python/packages"

Observações:

gcloud

Envie o job ao cluster.

gcloud dataproc jobs submit pyspark PYFILE \
    --cluster=CLUSTER_NAME \
    --region=REGION \
    --properties=${JOB_PROPERTIES}

Substitua:

  • PYFILE: o caminho do arquivo de job do PySpark. Pode ser Um caminho de arquivo local ou o URI do arquivo no Cloud Storage (gs://BUCKET_NAME/PySpark filename).
  • CLUSTER_NAME: o nome do cluster.
  • REGION: a região do cluster.