Les tâches PySpark sur Dataproc sont exécutées par un interpréteur Python sur le cluster. Le code de job doit être compatible au moment de l'exécution avec la version de l'interpréteur Python et ses dépendances.
Vérifier la version et les modules de l'interpréteur
L'exemple de programme check_python_env.py
suivant vérifie l'utilisateur Linux qui exécute la tâche, l'interpréteur Python et les modules 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))
Exécutez le programme
REGION=region gcloud dataproc jobs submit pyspark check_python_env.py \ --cluster=my-cluster \ --region=${REGION} \ -- pandas scipy
Exemple de résultat
This job is running as "root". ('/usr/bin/python', sys.version_info(major=2, minor=7, micro=13, releaselevel='final', serial=0)) (None, '/usr/local/lib/python2.7/dist-packages/pandas', ('', '', 5)) (None, '/usr/local/lib/python2.7/dist-packages/scipy', ('', '', 5))
Environnements Python d'image Dataproc
Les sections suivantes décrivent les environnements Python pour différents clusters de version d'image Dataproc.
Version d'image 1.5 de Dataproc
Miniconda3 est installé sur les clusters Dataproc 1.5.
L'interpréteur par défaut est Python 3.7. Il se trouve respectivement sur l'instance de VM à l'emplacement /opt/conda/miniconda3/bin/python3.7
. Python 2.7 est également disponible à l'adresse /usr/bin/python2.7
.
Vous pouvez installer les packages conda
et pip
dans l'environnement base
ou configurer votre propre environnement conda
sur le cluster à l'aide des propriétés de cluster liées à Conda.
Pour installer Anaconda3 au lieu de Miniconda3, choisissez le composant facultatif Anaconda, puis installez les packages conda
et pip
dans l'environnement base
, ou configurez votre propre environnement conda
sur le cluster à l'aide des propriétés de cluster liées à Cona.
Exemple
REGION=region gcloud beta dataproc clusters create my-cluster \ --image-version=1.5 \ --region=${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'
Lorsque vous installez le composant Anaconda3 facultatif, Miniconda3 est supprimé du cluster et /opt/conda/anaconda3/bin/python3.6
devient l'interpréteur Python par défaut des tâches PySpark. Vous ne pouvez pas modifier la version de l'interpréteur Python du composant facultatif.
Pour utiliser Python 2.7 comme interpréteur par défaut sur les clusters 1.5, n'utilisez pas le composant facultatif Anaconda lors de la création du cluster. Utilisez plutôt l'action d'initialisation de Conda pour installer Miniconda2, et utilisez les propriétés de cluster liées à Conda pour installer les packages conda
et pip
dans l'environnement base
, ou configurez votre propre environnement conda
sur le cluster.
Exemple
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'
Image Dataproc version 2.x
conda est installé sur les clusters Dataproc 2.x. L'interpréteur Python3 par défaut se trouve sur l'instance de VM sous /opt/conda/default/bin
. Les pages suivantes répertorient la version Python incluse dans les versions d'image Dataproc:
L'interpréteur Python autre que celui par défaut du système d'exploitation est disponible sous /usr/bin/
.
Vous pouvez installer les packages conda
et pip
dans l'environnement base
ou configurer votre propre environnement conda
sur le cluster à l'aide des propriétés de cluster liées à Cona.
Exemple
REGION=region gcloud dataproc clusters create my-cluster \ --image-version=2.0 \ --region=${REGION} \ --properties=^#^dataproc:conda.packages='pytorch==1.7.1,coverage==5.5'#dataproc:pip.packages='tokenizers==0.10.1,datasets==1.5.0'
Remarque : Anaconda n'est pas disponible pour les clusters Dataproc 2.0.
Choisir un interpréteur Python pour une tâche
Si plusieurs interpréteurs Python sont installés sur votre cluster, le système exécute /etc/profile.d/effective-python.sh
, qui exporte la variable d'environnement PYSPARK_PYTHON
afin de choisir l'interpréteur Python par défaut pour vos tâches PySpark. Si vous avez besoin d'un interpréteur Python autre que celui par défaut pour une tâche PySpark, définissez les propriétés spark.pyspark.python
et spark.pyspark.driver.python
sur le numéro de version Python requis (par exemple, "python2.7" ou "python3.6").
Exemple
REGION=region gcloud dataproc jobs submit pyspark check_python_env.py \ --cluster=my-cluster \ --region=${REGION} \ --properties="spark.pyspark.python=python2.7,spark.pyspark.driver.python=python2.7"
Python avec sudo
Si vous vous connectez en SSH à un nœud de cluster sur lequel Miniconda ou Anaconda sont installés, lorsque vous exécutez sudo python --version
, la version Python affichée peut différer de celle affichée par python --version
.
Cette différence de version peut se produire parce que sudo
utilise le système Python par défaut /usr/bin/python
, mais n'exécute pas /etc/profile.d/effective-python.sh
pour initialiser l'environnement Python.
Pour bénéficier d'une expérience cohérente lors de l'utilisation de sudo
, recherchez le chemin d'accès Python défini dans /etc/profile.d/effective-python.sh
, puis exécutez la commande env
pour définir PATH
sur ce chemin d'accès Python. Voici un exemple de cluster 1.5:
sudo env PATH=/opt/conda/default/bin:${PATH} python --version
Utiliser les propriétés de cluster liées à Conda
Vous pouvez personnaliser l'environnement conda
lors de la création du cluster à l'aide des propriétés de cluster liées à Conda.
Lorsque vous créez un cluster Dataproc, vous pouvez personnaliser l'environnement Conda de deux manières qui s'excluent mutuellement:
Utilisez la propriété de cluster
dataproc:conda.env.config.uri
pour créer et activer un environnement Conda sur le cluster. ouUtilisez les propriétés de cluster
dataproc:conda.packages
etdataproc:pip.packages
pour ajouter respectivement les packagesconda
etpip
à l'environnementbase
conda
sur le cluster.
Propriétés de cluster liées à Conda
dataproc:conda.env.config.uri
:chemin d'accès absolu à un fichier de configuration YAML de l'environnement Conda situé dans Cloud Storage. Ce fichier sera utilisé pour créer et activer un environnementconda
sur le cluster.Exemple :
Obtenez ou créez un fichier de configuration
environment.yaml
Conda. Vous pouvez créer manuellement le fichier, utiliser un fichier existant ou exporter un environnement Conda existant) dans un fichierenvironment.yaml
, comme indiqué ci-dessous.conda env export --name=env-name > environment.yaml
Copiez le fichier de configuration dans votre bucket Cloud Storage.
gsutil cp environment.yaml gs://bucket-name/environment.yaml
Créez le cluster et pointez vers le fichier de configuration de votre environnement dans Cloud Storage.
REGION=region gcloud dataproc clusters create cluster-name \ --region=${REGION} \ --properties='dataproc:conda.env.config.uri=gs://bucket-name/environment.yaml' \ ... other flags ...
dataproc:conda.packages
:liste des packagesconda
avec des versions spécifiques à installer dans l'environnement de base, au formatpkg1==v1,pkg2==v2...
. Siconda
ne parvient pas à résoudre les conflits avec les packages existants de l'environnement de base, les packages en conflit ne seront pas installés.Remarques :
Les propriétés de cluster
dataproc:conda.packages
etdataproc:pip.packages
ne peuvent pas être utilisées avec la propriété de clusterdataproc:conda.env.config.uri
.Lorsque vous spécifiez plusieurs packages (séparés par une virgule), vous devez spécifier un autre caractère de délimitation (consultez la section Mise en forme de la propriété de cluster). L'exemple suivant spécifie "#" comme caractère de délimitation pour transmettre plusieurs noms de package séparés par une virgule à la propriété
dataproc:conda.packages
.
Exemple :
REGION=region gcloud dataproc clusters create cluster-name \ --region=${REGION} \ --properties='^#^dataproc:conda.packages=pytorch==1.7.1,coverage==5.5' \ ... other flags ...
dataproc:pip.packages
:liste des packagespip
avec des versions spécifiques à installer dans l'environnement de base, au formatpkg1==v1,pkg2==v2...
. pip ne met à niveau les dépendances existantes que si nécessaire. Les conflits peuvent entraîner une incohérence au sein de l'environnement.Notes :
Les propriétés de cluster
dataproc:pip.packages
etdataproc:conda.packages
ne peuvent pas être utilisées avec la propriété de clusterdataproc:conda.env.config.uri
.Lorsque vous spécifiez plusieurs packages (séparés par une virgule), vous devez spécifier un autre caractère de délimitation (consultez la section Mise en forme de la propriété de cluster). L'exemple suivant spécifie "#" comme caractère de délimitation pour transmettre plusieurs noms de package séparés par une virgule à la propriété
dataproc:pip.packages
.
Exemple :
REGION=region gcloud dataproc clusters create cluster-name \ --region=${REGION} \ --properties='^#^dataproc:pip.packages=tokenizers==0.10.1,datasets==1.4.1' \ ... other flags ...
Vous pouvez utiliser
dataproc:conda.packages
etdataproc:pip.packages
lors de la création d'un cluster.Exemple :
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 ...