Esta página se ha traducido con Cloud Translation API.
Switch to English

Cree una imagen personalizada de Dataproc

Los clústeres de Dataproc se pueden aprovisionar con una imagen personalizada que incluya paquetes ya instalados de un usuario. En los pasos a continuación, se explica cómo crear una imagen personalizada y, luego, instalarla en un clúster de Dataproc.

Notas:

  • Las instrucciones de este documento se aplican solo a sistemas operativos de Linux. Es posible que otros sistemas operativos sean compatibles con versiones de Cloud Dataproc futuras.
  • Para las compilaciones de imágenes personalizadas, se debe comenzar desde una imagen base de Dataproc (en la actualidad, se admiten imágenes base Debian, Ubuntu y Ubuntu).
  • Usa componentes opcionales: De forma predeterminada, las imágenes personalizadas heredan todas las Componentes opcionales de Dataproc (paquetes y configuraciones de SO) a partir de sus imágenes base, puedes personalizar las versiones y configuraciones predeterminadas de los paquetes de SO, pero debes especificar el nombre del componente opcional cuando creas tu clúster (por ejemplo,{101). } ejecutando el gcloud dataproc clusters create --optional-components=component-name command—seeAgrega componentes opcionales de Google). Si el nombre del componente no se especifica cuando creas el clúster, se borrará el componente (incluido cualquier paquete y configuración de SO personalizado).

Antes de comenzar

Configure su proyecto

  1. Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
  2. En la página del selector de proyectos de Google Cloud Console, selecciona o crea un proyecto de Google Cloud.

    Ir al selector de proyecto

  3. Comprueba que la facturación esté habilitada en tu proyecto.

    Descubre cómo puedes habilitar la facturación

  4. Habilita las API de Dataproc API, Compute Engine API, and Cloud Storage.

    Habilita las API

  5. Instala e inicializa el SDK de Cloud.
  6. Instala Python 2.7 y versiones posteriores.
  7. Prepara una secuencia de comandos de personalización que instale paquetes personalizados o configuraciones de actualización, por ejemplo:
      #! /usr/bin/bash
      apt-get -y update
      apt-get install python-dev
      apt-get install python-pip
      pip install numpy
      

Crea un depósito de Cloud Storage en tu proyecto

  1. En Cloud Console, ve a la página Navegador de Cloud Storage.

    Ir al navegador

  2. Haz clic en Crear bucket.
  3. En la página Crear un bucket, ingresa la información de tu bucket. Para ir al siguiente paso, haz clic en Continuar.
  4. Haga clic en Crear.

Genera una imagen personalizada

Usará generate_custom_image.py , un programa de Python para crear una imagen personalizada de Dataproc.

Cómo funciona

El programa generate_custom_image.py inicia una instancia de VM de Compute Engine temporal con la imagen base de Dataproc especificada y, luego, ejecuta la secuencia de comandos de personalización dentro de la instancia de VM para instalar paquetes personalizados o actualizar configuraciones. Una vez que finaliza la secuencia de comandos de personalización, se cierra la instancia de VM y se crea una imagen personalizada de Dataproc a partir del disco de la instancia de VM. La VM temporal se borra después de crear la imagen personalizada. La imagen personalizada se guarda y se puede usar para crear clústeres de Dataproc.

El programa generate_custom_image.py usa gcloud (predeterminado) para ejecutar flujos de trabajo de varios pasos en Compute Engine.

Ejecuta el código

Bifurca o clona los archivos en GitHub en imágenes personalizadas de Dataproc. Luego, ejecuta el programa generate_custom_image.py para que Dataproc genere y guarde tu imagen personalizada.

python generate_custom_image.py \
    --image-name custom_image_name \
    [--family custom_image_family_name] \
    --dataproc-version Dataproc version (example: "1.5.10-debian10") \
    --customization-script local path to your custom script \
    --zone Compute Engine zone to use for the location of the temporary VM \
    --gcs-bucket URI (gs://bucket-name) of a Cloud Storage bucket in your project \
    [--no-smoke-test]

Marcas necesarias

  • --image-name: El nombre de salida de tu imagen personalizada Nota:El nombre de la imagen debe coincidir con la regex [a-z](?:[-a-z0-9]{0,61}[a-z0-9]), por ejemplo, sin guiones bajos ni espacios, de menos de 64 caracteres.
  • --dataproc-version: La versión de la imagen de Dataproc para usar en tu imagen personalizada Especifica la versión en formato "xyz-os" o "xyz-rc-os", por ejemplo, "1.5.10-debian10", "1.5.10-ubuntu18", "1.5.0-RC10-debian10". las rutas "a GCP".
  • --customization-script: una ruta de acceso local a tu secuencia de comandos que la herramienta ejecutará para instalar tus paquetes personalizados o realizar otras personalizaciones. Ten en cuenta que esta secuencia de comandos solo se ejecuta en la VM temporal que se usa para crear la imagen personalizada. Puedes especificar una secuencia de comandos de inicialización diferente para cualquier otra acción de inicialización que quieras realizar cuando creas un clúster con tu imagen personalizada.
  • --zone: la zona de Compute Engine en la que generate_custom_image.py creará una VM temporal que usará para crear tu imagen personalizada.
  • --gcs-bucket: Un URI, en el formato gs://bucket-name, que apunta al depósito de Cloud Storage que creaste en la sección Crea un depósito de Cloud Storage en tu proyecto generate_custom_image.py escribirá archivos de registro en este depósito.

Marcas opcionales:

  • --family: La familia de imágenes de la imagen. Las familias de imágenes se usan para agrupar imágenes similares y pueden usarse cuando se crea un clúster como un puntero a la imagen más reciente de la familia. Por ejemplo, “custom-1-5-debian10”.
  • --no-smoke-test: Esta es una marca opcional que inhabilita la prueba de humo de la imagen personalizada recién compilada. La prueba de humo crea un clúster de prueba de Dataproc con la imagen recién compilada, ejecuta un trabajo pequeño y, luego, borra el clúster al final de la prueba. La prueba de humo se ejecuta de forma predeterminada para verificar que la imagen personalizada recién creada pueda crear un clúster de Dataproc funcional. Si inhabilitas este paso mediante el uso de la marca --no-smoke-test, se acelerará el proceso de compilación de imágenes personalizadas, pero no se recomienda su uso.

Para obtener una lista de marcas opcionales adicionales, consulta Argumentos opcionales en GithHub.

Si el comando gcloud tiene éxito, el imageURI de la imagen personalizada aparecerá en el resultado de la ventana de la terminal (el imageUri completo se muestra en negrita a continuación:

...
managedCluster:
    clusterName: verify-image-20180614213641-8308a4cd
    config:
      gceClusterConfig:
        zoneUri: zone
      masterConfig:
        imageUri: https://www.googleapis.com/compute/beta/projects/project-id/global/images/custom-image-name
...

INFO:__main__:Successfully built Dataproc custom image: custom-image-name
INFO:__main__:

#####################################################################
  WARNING: DATAPROC CUSTOM IMAGE 'custom-image-name'
           WILL EXPIRE ON 2018-07-14 21:35:44.133000.
#####################################################################

Etiquetas de versión de imagen personalizadas para usuarios avanzados

Cuando usas la herramienta de imagen personalizada estándar de Dataproc, esta configura de manera automática una etiqueta goog-dataproc-version obligatoria para la imagen personalizada que creaste. La etiqueta refleja las capacidades y los protocolos de las funciones que utiliza Dataproc para administrar el software en la imagen.

Los usuarios avanzados que usan su propio proceso para crear una imagen personalizada de Dataproc deben agregar la etiqueta a su imagen personalizada de la siguiente manera:

  1. Extrae la etiqueta goog-dataproc-version de la imagen base de Dataproc usada para crear la imagen personalizada.

    gcloud compute images describe ${BASE_DATAPROC_IMAGE} \
        --project cloud-dataproc \
        --format="value(labels.goog-dataproc-version)"
    

  2. Configurar la etiqueta en la imagen personalizada.

    gcloud compute images add-labels IMAGE_NAME --labels=[KEY=VALUE,...]
    

Usa una imagen personalizada

La imagen personalizada se especifica cuando creas un clúster de Dataproc. Una imagen personalizada se guarda en Imágenes de Cloud Compute y es válida para crear un clúster de Dataproc durante 60 días desde su fecha de creación (consulta Cómo crear una clúster con una imagen personalizada vencida para usar una imagen personalizada después de la fecha de vencimiento de 60 días).

URI de la imagen personalizada

Pasa el imageUri de la imagen personalizada a la operación de creación de clúster. Este URI se puede especificar de alguna de las tres formas a continuación:

  1. URI completo:
    https://www.googleapis.com/compute/beta/projects/project-id/global/images/custom-image-name
  2. URI parcial: projects/project-id/global/images/custom-image-name
  3. Nombre corto: custom-image-name

Las imágenes personalizadas también se pueden especificar mediante su URI familiar, que siempre elige la imagen más reciente dentro de la familia de imágenes.

  1. URI completo:
    https://www.googleapis.com/compute/beta/projects/project-id/global/images/family/custom-image-family-name
  2. URI parcial: projects/project-id/global/images/family/custom-image-family-name

Cómo encontrar el URI de la imagen personalizada

Comando de gcloud

Ejecute el siguiente comando gcloud para generar una lista de los nombres de sus imágenes personalizadas:

gcloud compute images list

Pasa el nombre de tu imagen personalizada al siguiente comando de gcloud para enumerar el URI (selfLink) de tu imagen personalizada:

gcloud compute images describe custom-image-name
...
name: custom-image-name
selfLink: https://www.googleapis.com/compute/v1/projects/project-id/global/images/custom-image-name
...

Console

  1. Abre la página Compute Engine→Imágenes en Cloud Console y haz clic en el nombre de la imagen. Puedes insertar una consulta en el cuadro de texto para filtrar imágenes a fin de limitar el número de imágenes que se muestran.
  2. Se abre la página de detalles de imágenes. Haz clic en Equivalent REST (REST equivalente).
  3. La respuesta de REST enumera información adicional sobre la imagen, incluido selfLink, que es el URI de la imagen.
    {
      ...
      "name": "my-custom-image",
      "selfLink": "projects/my-project-id/global/images/my-custom-image",
      "sourceDisk": ...,
      ...
    }
    

Crea un clúster con una imagen personalizada

Puedes crear un clúster con nodos principales y trabajadores que usan una imagen personalizada con la herramienta de línea de comandos de gcloud, la API de Dataproc o Google Cloud Console.

Comando de gcloud

Puedes crear un clúster de Dataproc con una imagen personalizada mediante el comando de creación de clústeres de Dataproc con la marca --image. Ejemplo:
gcloud dataproc clusters create cluster-name \
    --image=custom-image-URI \
    --region=region \
    ... other flags ...

API de REST

Puedes crear un clúster con una imagen personalizada si especificas el URI de imagen personalizada en el campo InstanceGroupConfig.imageUri en el objeto masterConfig, workerConfig y, si corresponde, secondaryWorkerConfig en una solicitud a la API cluster.create.

Ejemplo: solicitud REST para crear un clúster de Dataproc estándar (un nodo principal, dos nodos trabajadores) con una imagen personalizada.

POST /v1/projects/project-id/regions/global/clusters/
{
  "clusterName": "custom-name",
  "config": {
    "masterConfig": {
      "imageUri": "projects/project-id/global/images/custom-image-name"
    },
    "workerConfig": {
      "imageUri": "projects/project-id/global/images/custom-image-name"
    }
  }
}
  

Console

  1. En Cloud Console, abre la página Crear un clúster de Dataproc. Se selecciona el panel Configurar clúster.
  2. En la sección Control de versiones, haz clic en CAMBIAR. Seleccione la pestaña IMAGEN PERSONALIZADA y elija la imagen personalizada que usará para su clúster de Dataproc. Luego, haga clic en SELECCIONAR.

Cuando envías el formulario Crear un clúster, las VM de tu clúster se aprovisionarán con la imagen personalizada seleccionada.

Anula las propiedades del clúster de Dataproc con una imagen personalizada

Puedes usar imágenes personalizadas para reemplazar cualquier propiedad de clúster establecida durante la creación del clúster. Si un usuario crea un clúster con tu imagen personalizada, pero configura propiedades de clúster distintas de las que configuraste con tu imagen personalizada, la configuración de propiedades de tu clúster de imágenes personalizadas tendrá prioridad.

Para configurar las propiedades del clúster con tu imagen personalizada, haz lo siguiente:

  1. En tu secuencia de comandos de personalización de imágenes personalizadas, crea un archivo dataproc.custom.properties en /etc/google-dataproc y, luego, configura los valores de propiedad del clúster en el archivo.
    • Contenido del archivo de muestra dataproc.custom.properties:
      dataproc.conscrypt.provider.enable=value
      dataproc.logging.stackdriver.enable=value
      

Ejemplo de fragmento de creación de archivo de secuencia de comandos de personalización para anular dos propiedades de clúster:

     cat <<EOF >/etc/google-dataproc/dataproc.custom.properties
     dataproc.conscrypt.provider.enable=true
     dataproc.logging.stackdriver.enable=false
     EOF

Cómo crear un clúster con una imagen personalizada vencida

De forma predeterminada, las imágenes personalizadas se vences a los 60 días desde la fecha de creación de la imagen. Puedes crear un clúster que use una imagen personalizada vencida si completas los pasos a continuación.

  1. Intenta crear un clúster de Dataproc con una imagen personalizada vencida o una imagen personalizada que vencerá dentro de 10 días.

    gcloud dataproc clusters create cluster-name \
        --image=custom-image-name \
        --region=region \
        ... other flags ...
    

  2. La herramienta gcloud emitirá un mensaje de error que incluye el nombre de la propiedad del cluster dataproc:dataproc.custom.image.expiration.token y el valor del token.

    dataproc:dataproc.custom.image.expiration.token=token value
    
    Copia la string de “valor del token” al portapapeles.

  3. Usa la herramienta de gcloud para volver a crear el clúster de Dataproc y agrega el "valor del token" copiado anteriormente como una propiedad del clúster.

    gcloud dataproc clusters create cluster-name \
        --image=custom-image-name \
        --properties dataproc:dataproc.custom.image.expiration.token=token value \
        --region=region \
        ... other flags ...
    

La creación del clúster con la imagen personalizada debería tener éxito.