Configurar el entorno de Python de Dataproc

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

Verifica 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

Versión 1.3 de la imagen de Dataproc.

En los clústeres de versiones con imágenes 1.3, el intérprete de Python predeterminado es Python 2.7, instalado en la instancia de VM en /usr/bin/python2.7. Puedes instalar paquetes de Python con la acción de inicialización de instalación de PIP.

Ejemplo

REGION=region
gcloud dataproc clusters create my-cluster \
    --image-version=1.3 \
    --region=${REGION} \
    --metadata='PIP_PACKAGES=pandas==0.23.0 scipy==1.1.0' \
    --initialization-actions=gs://goog-dataproc-initialization-actions-${REGION}/python/pip-install.sh

Si necesitas un intérprete de Python diferente, puedes crear un clúster con el siguienteComponente opcional de Anaconda y usePropiedades del clúster relacionadas con conda para instalar paquetes de Conda y PIP enbase o configura tu propio entorno Conda en el clúster.

Ejemplo

Con el siguiente comando, se crea un clúster de versión de imagen 1.3 y, luego, se instalan los paquetes Anaconda2, Conda y PIP:

REGION=region
gcloud beta dataproc clusters create my-cluster \
    --image-version=1.3 \
    --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 se instala el componente opcional Anaconda, el intérprete de Python predeterminado para los trabajos de PySpark es /opt/conda/anaconda/bin/python2.7.

Para usar Python 3 como intérprete predeterminado en un clúster 1.3, no uses el componente opcional Anaconda cuando crees el clúster. En su lugar, usa la acción de inicialización de Conda para instalar Miniconda3 y los paquetes Conda y PIP en el clúster.

Ejemplo

wget https://storage.googleapis.com/compute-image-tools/release/linux/daisy
REGION=region
gcloud dataproc clusters create my-cluster \
    --image-version=1.3 \
    --region=${REGION} \
    --metadata='MINICONDA_VARIANT=3' \
    --metadata='MINICONDA_VERSION=latest' \
    --metadata='CONDA_PACKAGES=scipy=1.0.0 tensorflow=1.12.0' \
    --metadata='PIP_PACKAGES=pandas==0.23.0 scipy==1.1.0' \
    --initialization-actions=gs://goog-dataproc-initialization-actions-${REGION}/conda/bootstrap-conda.sh

Versiones de imágenes 1.4 y 1.5 de Dataproc

Miniconda3 se instala en los clústeres de Dataproc 1.4 y 1.5. El intérprete de Python predeterminado es Python 3.6 para Dataproc 1.4 y Python 3.7 para Dataproc 1.5, ubicado en la instancia de VM en /opt/conda/miniconda3/bin/python3.6 y /opt/conda/miniconda3/bin/python3.7, respectivamente. Python 2.7 también está disponible en /usr/bin/python2.7.

Puedes instalar paquetes de Conda y PIP en el entorno base o configurar tu propio entorno Conda en el clúster mediante las propiedades de clúster relacionadas con Conda.

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

Ejemplo

REGION=region
gcloud beta dataproc clusters create my-cluster \
    --image-version=1.4 \
    --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 los clústeres 1.4 y 1.5, no uses el componente opcional Anaconda cuando crees el clúster. En su lugar, usa la acción de inicialización de Conda para instalar Miniconda2 y propiedades de clúster relacionadas con Conda para instalar paquetes Conda y PIP. el entorno base o configurar tu propio entorno Conda en el clúster.

Ejemplo

REGION=region
gcloud dataproc clusters create my-cluster \
    --image-version=1.4 \
    --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 2.0 de la imagen de Dataproc.

Miniconda3 se instala en los clústeres de Dataproc 2.0. El intérprete de Python predeterminado es Python 3.8, que se encuentra en la instancia de VM en /opt/conda/miniconda3/bin/python3.8. Python 2.7 también está disponible en /usr/bin/python2.7.

Puedes instalar paquetes de Conda y PIP en el entorno base o configurar tu propio entorno Conda en el clúster mediante las propiedades de 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 1.4:

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

Puedes personalizar el entorno de Conda durante la creación del clúster mediante las propiedades del clúster relacionadas con Conda.

Hay dos formas mutuamente excluyentes de personalizar el entorno Conda cuando creas un clúster de Dataproc:

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

  2. Usa las propiedades del clúster dataproc:conda.packages y dataproc:pip.packages para agregar paquetes Conda y PIP, respectivamente, al entorno base de Conda en el clúster.

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

    Ejemplo:

    1. Obtén o crea un archivo de configuración environment.yaml de Conda. Puedes crear el archivo de forma manual, usar un archivo existente o exportar un entorno de Conda existente a un 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.

      gsutil 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 los paquetes Conda con versiones específicas que se instalarán en el entorno base, con el formato pkg1==v1,pkg2==v2.... Si Conda no logra resolver los conflictos con los paquetes existentes en el entorno base, los paquetes en conflicto no se instalarán.

    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 de pip con versiones específicas que se instalarán en el entorno base, con el formato pkg1==v1,pkg2==v2.... Pip actualizará las dependencias existentes solo si es necesario. 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} \
    --properties='^#^dataproc:conda.packages=pytorch==1.7.1,coverage==5.5' \
    --properties='^#^dataproc:pip.packages=tokenizers==0.10.1,datasets==1.4.1' \
    ... other flags ...