Configurare l'ambiente Python di Dataproc

I job PySpark su Dataproc vengono eseguiti da un interprete Python sul cluster. Il codice del job deve essere compatibile in fase di runtime con la versione e le dipendenze dell'interprete Python.

Controllare la versione e i moduli dell'interprete

Il seguente programma di esempio check_python_env.py controlla l'utente Linux che esegue il job, l'interprete Python e i moduli disponibili.

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))

Esegui il programma

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

Esempio di output 

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))

Ambienti Python immagine Dataproc

Le seguenti sezioni descrivono gli ambienti Python per diversi cluster di versioni delle immagini Dataproc.

Immagine Dataproc versione 1.5

Miniconda3 è installato sui cluster Dataproc 1.5. L'interprete predefinito è Python 3.7, che si trova rispettivamente nell'istanza VM in /opt/conda/miniconda3/bin/python3.7. Python 2.7 è disponibile anche all'indirizzo /usr/bin/python2.7.

Puoi installare pacchetti conda e pip nell'ambiente base o configurare il tuo ambiente conda nel cluster utilizzando le proprietà di cluster correlate a Conda.

Per installare Anaconda3 anziché Miniconda3, scegli il componente facoltativo Anaconda e installa pacchetti conda e pip nell'ambiente base oppure configura il tuo ambiente conda nel cluster utilizzando le proprietà del cluster relative a conda.

Esempio

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'

Quando installi il componente facoltativo Anaconda3, Miniconda3 viene rimosso dal cluster e /opt/conda/anaconda3/bin/python3.6 diventa l'interprete Python predefinito per i job PySpark. Non puoi modificare la versione dell'interprete Python del componente facoltativo.

Per utilizzare Python 2.7 come interprete predefinito sui cluster 1.5, non utilizzare il componente facoltativo Anaconda durante la creazione del cluster. Utilizza invece l'azione di inizializzazione di conda per installare Miniconda2 e utilizzare le proprietà dei cluster correlati a conda per installare conda e pip pacchetti nell'ambiente base o configurare il tuo ambiente conda sul cluster.

Esempio

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'

Immagine Dataproc versione 2.x

conda è installato sui cluster Dataproc 2.x. L'interprete Python3 predefinito si trova nell'istanza VM in /opt/conda/default/bin. Le pagine seguenti elencano la versione Python inclusa nelle versioni immagine di Dataproc:

L'interprete Python non predefinito del sistema operativo è disponibile in /usr/bin/.

Puoi installare pacchetti conda e pip nell'ambiente base o configurare il tuo ambiente conda nel cluster utilizzando le proprietà di cluster correlate a Conda.

Esempio

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 non è disponibile per i cluster Dataproc 2.0.

Scelta di un interprete Python per un job

Se sul cluster sono installati più interpreti Python, il sistema esegue /etc/profile.d/effective-python.sh, che esporta la variabile di ambiente PYSPARK_PYTHON per scegliere l'interprete Python predefinito per i job PySpark. Se hai bisogno di un interprete Python non predefinito per un job PySpark, quando invii il job al tuo cluster, imposta le proprietà spark.pyspark.python e spark.pyspark.driver.python sul numero di versione Python richiesto (ad esempio, "python2.7" o "python3.6").

Esempio

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

Se accedi tramite SSH a un nodo del cluster in cui è installato Miniconda o Anaconda, quando esegui sudo python --version, la versione Python visualizzata può essere diversa da quella mostrata da python --version. Questa differenza di versione può verificarsi perché sudo utilizza il sistema Python predefinito /usr/bin/python e non esegue /etc/profile.d/effective-python.sh per inizializzare l'ambiente Python. Per un'esperienza coerente quando utilizzi sudo, individua il percorso Python impostato in /etc/profile.d/effective-python.sh, quindi esegui il comando env per impostare PATH su questo percorso Python. Ecco un esempio di cluster 1.5:

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

Puoi personalizzare l'ambiente conda durante la creazione del cluster utilizzando le proprietà cluster correlate a conda.

Esistono due modi che si escludono a vicenda per personalizzare l'ambiente conda quando crei un cluster Dataproc:

  1. Usa la proprietà del cluster dataproc:conda.env.config.uri per creare e attivare un nuovo ambiente conda nel cluster. oppure

  2. Utilizza le proprietà dei cluster dataproc:conda.packages e dataproc:pip.packages per aggiungere rispettivamente i pacchetti conda e pip all'ambiente conda base del cluster.

  • dataproc:conda.env.config.uri: il percorso assoluto di un file di configurazione YAML dell'ambiente Conda situato in Cloud Storage. Questo file verrà utilizzato per creare e attivare un nuovo ambiente conda nel cluster.

    Esempio:

    1. Ottieni o crea un file di configurazione di conda environment.yaml. Puoi creare il file manualmente, utilizzare un file esistente o esportare un ambiente conda esistente) in un file environment.yaml come mostrato di seguito.

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

    2. Copia il file di configurazione nel bucket Cloud Storage. 

      gsutil cp environment.yaml gs://bucket-name/environment.yaml

    3. Crea il cluster e punta al file di configurazione dell'ambiente in 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: un elenco di condapacchetti con versioni specifiche da installare nell'ambiente di base, nel formato pkg1==v1,pkg2==v2.... Se conda non riesce a risolvere i conflitti con i pacchetti esistenti nell'ambiente di base, i pacchetti in conflitto non verranno installati.

    Note

    • Le proprietà del cluster dataproc:conda.packages e dataproc:pip.packages non possono essere utilizzate con la proprietà del cluster dataproc:conda.env.config.uri.

    • Quando specifichi più pacchetti (separati da una virgola), devi specificare un carattere di delimitatore alternativo (vedi la proprietà del cluster Formattazione). L'esempio seguente specifica "#" come carattere di delimitatore per passare più nomi di pacchetti separati da virgole alla proprietà dataproc:conda.packages.

    Esempio:

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: un elenco di pacchetti pip con versioni specifiche da installare nell'ambiente di base, nel formato pkg1==v1,pkg2==v2.... "pip eseguirà l'upgrade delle dipendenze esistenti solo se necessario. I conflitti possono causare un'incoerenza dell'ambiente.

    Note

    • Le proprietà del cluster dataproc:pip.packages e dataproc:conda.packages non possono essere utilizzate con la proprietà del cluster dataproc:conda.env.config.uri.

    • Quando specifichi più pacchetti (separati da una virgola), devi specificare un carattere di delimitatore alternativo (vedi la proprietà del cluster Formattazione). L'esempio seguente specifica "#" come carattere di delimitatore per passare più nomi di pacchetti separati da virgole alla proprietà dataproc:pip.packages.

    Esempio:

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

  • Durante la creazione di un cluster, puoi utilizzare sia dataproc:conda.packages sia dataproc:pip.packages.

    Esempio:

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 ...