Configura el entorno de Dataproc para Python

Un intérprete de Python en el clúster ejecuta los trabajos de PySpark en Dataproc. El código de trabajo debe ser compatible en el entorno de ejecución con la versión del intérprete de Python. y las dependencias.

Cómo comprobar la versión y los módulos del intérprete

El siguiente programa de ejemplo check_python_env.py verifica que el usuario de Linux ejecute el trabajo, el intérprete de Python y los módulos disponibles.

import getpass
import sys
import imp

print('This job is running as "{}".'.format(getpass.getuser()))
print(sys.executable, sys.version_info)
for package in sys.argv[1:]:
  print(imp.find_module(package))

Ejecuta el programa

REGION=region
gcloud dataproc jobs submit pyspark check_python_env.py \
    --cluster=my-cluster \
    --region=${REGION} \
    -- pandas scipy

Resultado de muestra 

This job is running as "root".
('/usr/bin/python', sys.version_info(major=2, minor=7, micro=13, releaselevel='final', serial=0))
(None, '/usr/local/lib/python2.7/dist-packages/pandas', ('', '', 5))
(None, '/usr/local/lib/python2.7/dist-packages/scipy', ('', '', 5))

Entornos de Python de imagen de Dataproc

En las siguientes secciones, se describen los entornos de Python para diferentes Clústeres de versiones con imágenes de Dataproc.

Versión 1.5 de la imagen de Dataproc

Miniconda3 está instalado en clústeres de Dataproc 1.5. El intérprete predeterminado es Python 3.7, que se encuentra en la instancia de VM en /opt/conda/miniconda3/bin/python3.7, respectivamente. Python 2.7 también está disponible en /usr/bin/python2.7.

Puedes instalar paquetes conda y pip en el entorno base o configura tu propio entorno de conda en el clúster con Propiedades del clúster relacionadas con Conda.

Para instalar Anaconda3 en lugar de Miniconda3, elige la Componente opcional de Anaconda, y, luego, instala los paquetes conda y pip en el entorno base o configura tu propio entorno de conda en el clúster con propiedades del clúster relacionadas con Conda.

Ejemplo

REGION=region
gcloud beta dataproc clusters create my-cluster \
    --image-version=1.5 \
    --region=${REGION} \
    --optional-components=ANACONDA \
    --properties=^#^dataproc:conda.packages='pytorch==1.0.1,visions==0.7.1'#dataproc:pip.packages='tokenizers==0.10.1,datasets==1.5.0'

Cuando instalas el componente opcional de Anaconda3, Miniconda3 se quita del clúster y /opt/conda/anaconda3/bin/python3.6 se convierte en el intérprete de Python predeterminado para los trabajos de PySpark. No puedes cambiar la versión de intérprete de Python del componente opcional.

Para usar Python 2.7 como intérprete predeterminado en clústeres 1.5, haz lo siguiente: no uses el Componente opcional de Anaconda cuando se crea el clúster. En su lugar, usa el acción de inicialización de Conda instalar Miniconda2 y usar propiedades del clúster relacionadas con Conda para instalar paquetes conda y pip en el entorno base o configura tu tu propio entorno de conda en el clúster.

Ejemplo

REGION=region
gcloud dataproc clusters create my-cluster \
    --image-version=1.5 \
    --region=${REGION} \
    --metadata='MINICONDA_VARIANT=2' \
    --metadata='MINICONDA_VERSION=latest' \
    --initialization-actions=gs://goog-dataproc-initialization-actions-${REGION}/conda/bootstrap-conda.sh \
    --properties=^#^dataproc:conda.packages='pytorch==1.0.1,visions==0.7.1'#dataproc:pip.packages='tokenizers==0.10.1,datasets==1.5.0'

Versión 2.x de la imagen de Dataproc

conda está instalado en Clústeres de Dataproc 2.x. El intérprete de Python3 predeterminado se encuentra en la instancia de VM en /opt/conda/default/bin. La siguiente lista de páginas la versión de Python incluida en las versiones con imágenes de Dataproc:

El intérprete de Python no predeterminado del SO está disponible en /usr/bin/.

Puedes instalar los paquetes conda y pip en el entorno base o configurar tu propio entorno de conda en el clúster con Propiedades del clúster relacionadas con Conda.

Ejemplo

REGION=region
gcloud dataproc clusters create my-cluster \
    --image-version=2.0 \
    --region=${REGION} \
    --properties=^#^dataproc:conda.packages='pytorch==1.7.1,coverage==5.5'#dataproc:pip.packages='tokenizers==0.10.1,datasets==1.5.0'

Nota: Anaconda no está disponible para los clústeres de Dataproc 2.0.

Elige un intérprete de Python para un trabajo

Si hay varios intérpretes de Python instalados en tu clúster, el sistema ejecuta /etc/profile.d/effective-python.sh, que exporta la variable de entorno PYSPARK_PYTHON a fin de elegir el intérprete de Python predeterminado para tus trabajos de PySpark. Si necesitas un intérprete de Python no predeterminado para un trabajo de PySpark, cuando envíes el trabajo a tu clúster, configura las propiedades spark.pyspark.python y spark.pyspark.driver.python con el número de versión de Python requerido (por ejemplo, “python2.7” o “python3.6”).

Ejemplo

REGION=region
gcloud dataproc jobs submit pyspark check_python_env.py \
    --cluster=my-cluster \
    --region=${REGION} \
    --properties="spark.pyspark.python=python2.7,spark.pyspark.driver.python=python2.7"

Python con sudo

Si estableces una conexión SSH a un nodo de clúster que tiene Miniconda o Anaconda instalados, cuando ejecutas sudo python --version, la versión de Python que se muestra puede ser diferente de la versión que muestra python --version. Esta diferencia de versión puede ocurrir porque sudo usa el sistema de Python predeterminado /usr/bin/python y no ejecuta /etc/profile.d/effective-python.sh para inicializar el entorno de Python. Para obtener una experiencia coherente cuando uses sudo, ubica la ruta de acceso de Python establecida en /etc/profile.d/effective-python.sh y, luego, ejecuta el comando env a fin de establecer PATH en esta ruta de Python. Este es un ejemplo de clúster 1.5:

sudo env PATH=/opt/conda/default/bin:${PATH} python --version

Puedes personalizar el entorno de conda durante la creación del clúster usando recursos propiedades del clúster.

Existen dos formas mutuamente excluyentes de personalizar el entorno conda cuando crearás un clúster de Dataproc:

  1. Usa la propiedad del clúster dataproc:conda.env.config.uri para crear y activar un nuevo entorno conda en el clúster. o

  2. Usa los clústeres dataproc:conda.packages y dataproc:pip.packages. Propiedades para agregar paquetes conda y pip, respectivamente, a conda base de configuración en el clúster.

  • dataproc:conda.env.config.uri: Es la ruta de acceso absoluta a un archivo de configuración YAML del entorno conda ubicado en Cloud Storage. Este archivo se usará para crear y activar un nuevo entorno de conda en el clúster.

    Ejemplo:

    1. Obtén o crea un archivo de configuración environment.yaml de Conda. Puedes crear manualmente , usar un archivo existente exportar un entorno de Conda existente) en un archivo environment.yaml, como se muestra a continuación. 

      conda env export --name=env-name > environment.yaml

    2. Copia el archivo de configuración en tu bucket de Cloud Storage. 

      gcloud storage cp environment.yaml gs://bucket-name/environment.yaml

    3. Crea el clúster y apunta el archivo de configuración de entorno en Cloud Storage. 

      REGION=region
gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --properties='dataproc:conda.env.config.uri=gs://bucket-name/environment.yaml' \
    ... other flags ...

  • dataproc:conda.packages: Una lista de condapaquetes con versiones específicas que se instalarán en el entorno base, con el formato pkg1==v1,pkg2==v2... Si conda no resuelve el problema conflictos con paquetes existentes en el entorno base, los problemas no se instalarán los paquetes.

    Notas:

    • Las propiedades del clúster dataproc:conda.packages y dataproc:pip.packages no se pueden usar con la propiedad del clúster dataproc:conda.env.config.uri.

    • Cuando especificas varios paquetes (separados por una coma), debes especificar un carácter delimitador alternativo (consulta la propiedad de clúster Formato). En el siguiente ejemplo, se especifica “#” como carácter delimitador para pasar varios nombres de paquetes separados por comas a la propiedad dataproc:conda.packages.

    Ejemplo:

REGION=region
gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --properties='^#^dataproc:conda.packages=pytorch==1.7.1,coverage==5.5' \
    ... other flags ...

  • dataproc:pip.packages: Una lista de paquetes pip con que se instalarán en el entorno base, con el formato pkg1==v1,pkg2==v2... `pip actualizará las dependencias existentes solo si como en los productos necesarios. Los conflictos pueden hacer que el entorno sea incoherente.

    Notas:

    • Las propiedades del clúster dataproc:pip.packages y dataproc:conda.packages no se pueden usar con la propiedad del clúster dataproc:conda.env.config.uri.

    • Cuando especificas varios paquetes (separados por una coma), debes especificar un carácter delimitador alternativo (consulta la propiedad de clúster Formato). En el siguiente ejemplo, se especifica “#” como carácter delimitador para pasar varios nombres de paquetes separados por comas a la propiedad dataproc:pip.packages.

    Ejemplo:

REGION=region
gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --properties='^#^dataproc:pip.packages=tokenizers==0.10.1,datasets==1.4.1' \
    ... other flags ...

  • Puedes usar dataproc:conda.packages y dataproc:pip.packages cuando creas un clúster.

    Ejemplo:

REGION=region
gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --image-version=1.5 \
    --metadata='MINICONDA_VARIANT=2' \
    --metadata='MINICONDA_VERSION=latest' \
    --properties=^#^dataproc:conda.packages='pytorch==1.7.1,coverage==5.5'#dataproc:pip.packages='tokenizers==0.10.1,datasets==1.4.1' \
    ... other flags ...