Crea i tuoi componenti della pipeline

Quando esegui un componente, è normale voler vedere non solo il link al job del componente che viene lanciato, ma anche il link alle risorse cloud sottostanti, come i job di previsione batch o di flusso di dati di Vertex.

gcp_resource proto è un parametro speciale che puoi utilizzare nel componente per consentire alla console Google Cloud di fornire una visualizzazione personalizzata dei log e dello stato della risorsa nella console Vertex AI Pipelines.

Output del parametro gcp_resource

Utilizzo di un componente basato su container

Innanzitutto, devi definire il parametro gcp_resource nel componente, come mostrato nel seguente file component.py di esempio:

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, consulta Installare l'SDK Vertex AI per Python. Per ulteriori informazioni, consulta documentazione di riferimento dell'API Python.

# Copyright 2023 The Kubeflow Authors. All Rights Reserved.
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
from typing import List

from google_cloud_pipeline_components import _image
from google_cloud_pipeline_components import _placeholders
from kfp.dsl import container_component
from kfp.dsl import ContainerSpec
from kfp.dsl import OutputPath


@container_component
def dataflow_python(
    python_module_path: str,
    temp_location: str,
    gcp_resources: OutputPath(str),
    location: str = 'us-central1',
    requirements_file_path: str = '',
    args: List[str] = [],
    project: str = _placeholders.PROJECT_ID_PLACEHOLDER,
):
  # fmt: off
  """Launch a self-executing Beam Python file on Google Cloud using the
  Dataflow Runner.

  Args:
      location: Location of the Dataflow job. If not set, defaults to `'us-central1'`.
      python_module_path: The GCS path to the Python file to run.
      temp_location: A GCS path for Dataflow to stage temporary job files created during the execution of the pipeline.
      requirements_file_path: The GCS path to the pip requirements file.
      args: The list of args to pass to the Python file. Can include additional parameters for the Dataflow Runner.
      project: Project to create the Dataflow job. Defaults to the project in which the PipelineJob is run.

  Returns:
      gcp_resources: Serialized gcp_resources proto tracking the Dataflow job. For more details, see https://github.com/kubeflow/pipelines/blob/master/components/google-cloud/google_cloud_pipeline_components/proto/README.md.
  """
  # fmt: on
  return ContainerSpec(
      image=_image.GCPC_IMAGE_TAG,
      command=[
          'python3',
          '-u',
          '-m',
          'google_cloud_pipeline_components.container.v1.dataflow.dataflow_launcher',
      ],
      args=[
          '--project',
          project,
          '--location',
          location,
          '--python_module_path',
          python_module_path,
          '--temp_location',
          temp_location,
          '--requirements_file_path',
          requirements_file_path,
          '--args',
          args,
          '--gcp_resources',
          gcp_resources,
      ],
  )

Poi, all'interno del contenitore, installa il pacchetto Google Cloud Pipeline Components:

pip install --upgrade google-cloud-pipeline-components

Poi, nel codice Python, definisci la risorsa come parametro gcp_resource:

Python

Per scoprire come installare o aggiornare l'SDK Vertex AI per Python, vedi Installare l'SDK Vertex AI per Python. Per ulteriori informazioni, consulta documentazione di riferimento dell'API Python.

from google_cloud_pipeline_components.proto.gcp_resources_pb2 import GcpResources
from google.protobuf.json_format import MessageToJson

dataflow_resources = GcpResources()
dr = dataflow_resources.resources.add()
dr.resource_type='DataflowJob'
dr.resource_uri='https://dataflow.googleapis.com/v1b3/projects/[your-project]/locations/us-east1/jobs/[dataflow-job-id]'

with open(gcp_resources, 'w') as f:
    f.write(MessageToJson(dataflow_resources))

Utilizzo di un componente Python

In alternativa, puoi restituire il parametro di output gcp_resources come faresti con qualsiasi parametro di output di stringa:

@dsl.component(
    base_image='python:3.9',
    packages_to_install=['google-cloud-pipeline-components==2.16.1'],
)
def launch_dataflow_component(project: str, location:str) -> NamedTuple("Outputs",  [("gcp_resources", str)]):
  # Launch the dataflow job
  dataflow_job_id = [dataflow-id]
  dataflow_resources = GcpResources()
  dr = dataflow_resources.resources.add()
  dr.resource_type='DataflowJob'
  dr.resource_uri=f'https://dataflow.googleapis.com/v1b3/projects/{project}/locations/{location}/jobs/{dataflow_job_id}'
  gcp_resources=MessageToJson(dataflow_resources)
  return gcp_resources

Valori resource_type supportati

Puoi impostare resource_type come stringa arbitraria, ma solo i seguenti tipi hanno link nella console Google Cloud:

  • BatchPredictionJob
  • BigQueryJob
  • CustomJob
  • DataflowJob
  • HyperparameterTuningJob

Scrivi un componente per annullare le risorse sottostanti

Quando un job della pipeline viene annullato, il comportamento predefinito è che le risorse Google Cloud sottostanti continuino a funzionare. Non vengono annullati automaticamente. Per modificare questo comportamento, devi associare un gestore SIGTERM al job della pipeline. Un buon punto per farlo è appena prima di un loop di polling per un job che potrebbe essere eseguito per molto tempo.

L'annullamento è stato implementato su diversi componenti della pipeline di Google Cloud, tra cui:

  • Job di previsione batch
  • Job BigQuery ML
  • Job personalizzato
  • Job batch Dataproc Serverless
  • Job di ottimizzazione degli iperparametri

Per maggiori informazioni, incluso un codice campione che mostra come collegare un gestore SIGTERM, consulta i seguenti link GitHub:

Tieni presente quanto segue quando implementi il gestore SIGTERM:

  • La propagazione dell'annullamento funziona solo dopo che il componente è in esecuzione da alcuni minuti. Questo accade in genere a causa di attività di avvio in background che devono essere elaborate prima che vengano chiamati i gestori degli indicatori di Python.
  • L'annullamento potrebbe non essere implementato per alcune risorse Google Cloud. Ad esempio, la creazione o l'eliminazione di un endpoint o di un modello Vertex AI potrebbe creare un'operazione a lunga esecuzione che accetta una richiesta di annullamento tramite la relativa API REST, ma non implementa l'operazione di annullamento stessa.