Images de conteneurs personnalisées Dataproc sur GKE

Vous pouvez spécifier une image de conteneur personnalisée à utiliser avec Dataproc sur GKE . Votre image de conteneur personnalisée doit utiliser l'une des images Spark de base de Dataproc sur GKE.

Utiliser une image de conteneur personnalisée

Pour utiliser une image de conteneur personnalisée Dataproc sur GKE, définissez spark.kubernetes.container.image property lorsque vous créez un cluster virtuel Dataproc sur GKE ou envoyez une tâche Spark au cluster.

  • Exemple de création de cluster avec gcloud CLI : 
    gcloud dataproc clusters gke create "${DP_CLUSTER}" \
    --properties=spark:spark.kubernetes.container.image=custom-image \
    ... other args ...
  • Exemple d'envoi de job gcloud CLI : 
    gcloud dataproc jobs submit spark \
    --properties=spark.kubernetes.container.image=custom-image \
    ... other args ...

Exigences et paramètres concernant les images de conteneurs personnalisés

Images de base

Vous pouvez utiliser les outils docker pour créer des images Docker personnalisées basées sur l'une des images Spark de base Dataproc sur GKE publiées.

Utilisateur du conteneur

Dataproc sur GKE exécute les conteneurs Spark en tant qu'utilisateur Linux spark avec un UID 1099 et un GID 1099. 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 charge de travail, vous devez accorder à l'utilisateur spark l'autorisation de lecture du fichier.

Composants

  • Java : la variable d'environnement JAVA_HOME pointe vers l'emplacement de l'installation Java. La valeur par défaut actuelle est /usr/lib/jvm/adoptopenjdk-8-hotspot-amd64, qui peut être modifiée (consultez les notes de version de Dataproc pour obtenir des informations à jour).

    • Si vous personnalisez l'environnement Java, assurez-vous que JAVA_HOME est défini sur l'emplacement approprié et que PATH inclut le chemin d'accès aux binaires.

  • Python : les images Spark de base de Dataproc sur GKE sont installées avec Miniconda3 à l'emplacement /opt/conda. CONDA_HOME pointe vers cet emplacement, ${CONDA_HOME}/bin est inclus dans PATH et PYSPARK_PYTHON est défini sur ${CONDA_HOME}/python.

    • Si vous personnalisez Conda, assurez-vous que CONDA_HOME pointe vers le répertoire d'accueil de Conda, que ${CONDA_HOME}/bin est inclus dans PATH et que PYSPARK_PYTHON est défini sur ${CONDA_HOME}/python..

    • Vous pouvez installer, supprimer et mettre à jour des packages dans l'environnement de base par défaut, ou créer un environnement, mais il est fortement recommandé que l'environnement inclue tous les packages installés dans l'environnement de base de l'image de conteneur de base.

    • Si vous ajoutez des modules Python, tels qu'un script Python avec des fonctions utilitaires, à l'image de conteneur, incluez les répertoires de modules dans PYTHONPATH.

  • Spark : Spark est installé dans /usr/lib/spark, et SPARK_HOME pointe vers cet emplacement. Spark ne peut pas être personnalisé. Si elle est modifiée, l'image du conteneur sera rejetée ou ne fonctionnera pas correctement.

    • Tâches : vous pouvez personnaliser les dépendances des tâches Spark. SPARK_EXTRA_CLASSPATH définit le classpath supplémentaire pour les processus Spark JVM. Recommandation : placez les fichiers JAR sous /opt/spark/jars et définissez SPARK_EXTRA_CLASSPATH sur /opt/spark/jars/*.

      Si vous intégrez le fichier JAR de job dans l'image, le répertoire recommandé est /opt/spark/job. Lorsque vous envoyez le job, vous pouvez y faire référence avec un chemin d'accès local, par exemple file:///opt/spark/job/my-spark-job.jar.

    • Connecteur Cloud Storage : le connecteur Cloud Storage est installé sur /usr/lib/spark/jars.

    • Utilitaires : les packages d'utilitaires procps et tini sont nécessaires pour exécuter Spark. Ces utilitaires sont inclus dans les images Spark de base. Les images personnalisées n'ont donc pas besoin de les réinstaller.

    • Point d'entrée : Dataproc sur GKE ignore toute modification apportée aux primitives ENTRYPOINT et CMD dans l'image de conteneur.

    • Scripts d'initialisation : vous pouvez ajouter un script d'initialisation facultatif à /opt/init-script.sh. Un script d'initialisation peut télécharger des fichiers depuis Cloud Storage, démarrer un proxy dans le conteneur, appeler d'autres scripts et effectuer d'autres tâches de démarrage.

      Le script de point d'entrée appelle le script d'initialisation avec tous les arguments de ligne de commande ($@) avant de démarrer le pilote Spark, l'exécuteur Spark et d'autres processus. Le script d'initialisation peut sélectionner le type de processus Spark en fonction du premier argument ($1). Les valeurs possibles incluent spark-submit pour les conteneurs de pilote et executor pour les conteneurs d'exécuteur.

  • Configurations : les configurations Spark se trouvent sous /etc/spark/conf. La variable d'environnement SPARK_CONF_DIR pointe vers cet emplacement.

    Ne personnalisez pas les configurations Spark dans l'image de conteneur. Spécifiez plutôt les propriétés via l'API Dataproc sur GKE pour les raisons suivantes :

    • Certaines propriétés, telles que la taille de la mémoire de l'exécuteur, sont déterminées au moment de l'exécution, et non au moment de la création de l'image de conteneur. Elles doivent être injectées par Dataproc sur GKE.
    • Dataproc sur GKE impose des restrictions sur les propriétés fournies par les utilisateurs. Dataproc sur GKE installe les configurations de configMap dans /etc/spark/conf du conteneur, ce qui remplace les paramètres intégrés à l'image.

Images Spark de base

Dataproc est compatible avec les images de conteneur Spark de base suivantes :

  • Spark 3.5 : ${REGION}-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.2

Exemple de création d'une image de conteneur personnalisée

Exemple de fichier Dockerfile

FROM us-central1-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.0:latest

# Change to root temporarily so that it has permissions to create dirs and copy
# files.
USER root

# Add a BigQuery connector jar.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}" \
    && chown spark:spark "${SPARK_EXTRA_JARS_DIR}"
COPY --chown=spark:spark \
    spark-bigquery-with-dependencies_2.12-0.22.2.jar "${SPARK_EXTRA_JARS_DIR}"

# Install Cloud Storage client Conda package.
RUN "${CONDA_HOME}/bin/conda" install google-cloud-storage

# Add a custom Python file.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
COPY test_util.py "${PYTHONPATH}"

# Add an init script.
COPY --chown=spark:spark init-script.sh /opt/init-script.sh

# (Optional) Set user back to `spark`.
USER spark

Créer l'image de conteneur

Exécutez les commandes suivantes dans le répertoire Dockerfile.

  1. Définissez l'image (par exemple, us-central1-docker.pkg.dev/my-project/spark/spark-test-image:latest) et passez au répertoire de compilation. 
    IMAGE=custom container image \
    BUILD_DIR=$(mktemp -d) \
    cd "${BUILD_DIR}"

  2. Téléchargez le connecteur BigQuery. 

    gcloud storage cp \
    gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .

  3. Créez un exemple de fichier Python. 

    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

  4. Créez un exemple de script init. 

    cat >init-script.sh <<EOF
echo "hello world" >/tmp/init-script.out
EOF

  5. Créez et transférez l'image. 

    docker build -t "${IMAGE}" . && docker push "${IMAGE}"