Utiliser des conteneurs personnalisés avec Dataproc sans serveur pour Spark

Dataproc sans serveur pour Spark exécute des charges de travail dans des conteneurs Docker. Le conteneur fournit l'environnement d'exécution pour les processus de pilote et d'exécuteur de la charge de travail. Par défaut, Dataproc sans serveur pour Spark utilise une image de conteneur qui inclut les packages Spark, Java, Python et R par défaut associés à une version d'exécution. L'API Dataproc sans serveur pour Spark batches vous permet d'utiliser une image de conteneur personnalisée au lieu de l'image par défaut. En règle générale, une image de conteneur personnalisé ajoute des dépendances Java ou Python pour la charge de travail Spark qui ne sont pas fournies par l'image de conteneur par défaut. Important:N'incluez pas Spark dans votre image de conteneur personnalisé. Dataproc sans serveur pour Spark installe Spark dans le conteneur au moment de l'exécution.

Envoyer une charge de travail par lot Spark à l'aide d'une image de conteneur personnalisée

gcloud dataproc batches submit spark \
    --container-image=custom-image, for example, "gcr.io/my-project-id/my-image:1.0.1" \
    --region=region \
    --jars=path to user workload jar located in Cloud Storage or included in the custom container \
    --class=The fully qualified name of a class in the jar file, such as org.apache.spark.examples.SparkPi \
    -- add any workload arguments here

POST https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches

{
  "runtimeConfig":{
    "containerImage":"custom-container-image
  },
  "sparkBatch":{
    "jarFileUris":[
      "jar-uri"
    ],
    "mainClass":"class"
  }
}

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches"

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://dataproc.googleapis.com/v1/projects/project-id/locations/region/batches" | Select-Object -Expand Content

{
"name":"projects/project-id/locations/region/batches/batch-id",
  "uuid":",uuid",
  "createTime":"2021-07-22T17:03:46.393957Z",
  "runtimeConfig":{
    "containerImage":"gcr.io/my-project/my-image:1.0.1"
  },
  "sparkBatch":{
    "mainClass":"org.apache.spark.examples.SparkPi",
    "jarFileUris":[
      "/opt/spark/jars/spark-examples.jar"
    ]
  },
  "runtimeInfo":{
    "outputUri":"gs://dataproc-.../driveroutput"
  },
  "state":"SUCCEEDED",
  "stateTime":"2021-07-22T17:06:30.301789Z",
  "creator":"account-email-address",
  "runtimeConfig":{
    "properties":{
      "spark:spark.executor.instances":"2",
      "spark:spark.driver.cores":"2",
      "spark:spark.executor.cores":"2",
      "spark:spark.app.name":"projects/project-id/locations/region/batches/batch-id"
    }
  },
  "environmentConfig":{
    "peripheralsConfig":{
      "sparkHistoryServerConfig":{
      }
    }
  },
  "operation":"projects/project-id/regions/region/operation-id"
}

Créer une image de conteneur personnalisée

Les images de conteneur personnalisé Dataproc sans serveur pour Spark sont des images Docker. Vous pouvez utiliser les outils permettant de créer des images Docker pour créer des images de conteneurs personnalisées, mais les images doivent remplir certaines conditions pour être compatibles avec Dataproc sans serveur pour Spark. Les sections suivantes décrivent ces conditions.

Système d'exploitation

Vous pouvez choisir n'importe quelle image de système d'exploitation comme image de base de votre image de conteneur personnalisé. Recommandation: Il est préférable d'utiliser les images Debian 11 par défaut (par exemple, debian:11-slim), car elles ont été testées pour éviter les problèmes de compatibilité.

Services publics

Vous devez inclure les packages utilitaires suivants, requis pour exécuter Spark, dans votre image de conteneur personnalisé:

• procps
• tini

Pour exécuter XGBoost à partir de Spark (Java ou Scala), vous devez inclure libgomp1.

Utilisateur du conteneur

Dataproc sans serveur pour Spark exécute des conteneurs en tant qu'utilisateur Linux spark avec un UID 1099 et un GID 1099. Les directives USER définies dans les fichiers Dockerfile des images de conteneurs personnalisées sont ignorées au moment de l'exécution. Utilisez l'UID et le GID pour les autorisations du système de fichiers. Par exemple, si vous ajoutez un fichier JAR à l'emplacement /opt/spark/jars/my-lib.jar dans l'image en tant que dépendance de charge de travail, vous devez accorder à l'utilisateur spark l'autorisation de lecture sur le fichier.

Streaming d'images

Dataproc sans serveur pour Spark lance normalement une charge de travail nécessitant une image de conteneur personnalisée en téléchargeant l'image entière sur le disque. Cela peut entraîner un retard dans le temps d'initialisation, en particulier pour les clients avec des images volumineuses.

À la place, vous pouvez utiliser le streaming d'images, une méthode permettant d'extraire les données d'image selon les besoins. Cela permet à la charge de travail de se lancer sans attendre le téléchargement de l'intégralité de l'image, ce qui peut potentiellement améliorer le temps d'initialisation. Pour activer le streaming d'images, vous devez activer l'API Container File System. Vous devez également stocker vos images de conteneurs dans Artifact Registry, et le dépôt Artifact Registry doit se trouver dans la même région que votre charge de travail Dataproc ou dans un emplacement multirégional correspondant à la région où votre charge de travail s'exécute. Si Dataproc n'est pas compatible avec l'image ou si le service de streaming d'images n'est pas disponible, notre implémentation en flux continu télécharge l'image entière. Notez que les éléments suivants ne sont pas compatibles avec le streaming d'images:

• Images avec des calques vides ou des calques en double
• Images utilisant le fichier manifeste d'images V2, schéma version 1

Dans ce cas, Dataproc extrait l'image entière avant de lancer la charge de travail.

Spark

N'incluez pas Spark dans votre image de conteneur personnalisé. Au moment de l'exécution, Dataproc sans serveur pour Spark installe les fichiers binaires Spark et les configurations de l'hôte dans le conteneur: les binaires sont installés dans le répertoire /usr/lib/spark et les configurations dans le répertoire /etc/spark/conf. Les fichiers existants dans ces répertoires sont remplacés par Dataproc sans serveur pour Spark au moment de l'exécution.

Environnement d'exécution Java

N'incluez pas votre propre environnement d'exécution Java (JRE) dans votre image de conteneur personnalisé. Au moment de l'exécution, Dataproc sans serveur pour Spark installe OpenJDK depuis l'hôte dans le conteneur. Si vous incluez un JRE dans votre image de conteneur personnalisé, il sera ignoré.

Packages Java

Vous pouvez inclure des fichiers JAR en tant que dépendances de charge de travail Spark dans votre image de conteneur personnalisé. Vous pouvez également définir la variable d'environnement SPARK_EXTRA_CLASSPATH pour inclure les fichiers JAR. Dataproc sans serveur pour Spark ajoute la valeur de la variable d'environnement dans le chemin de classe des processus JVM Spark. Recommandation : Placez jars dans le répertoire /opt/spark/jars et définissez SPARK_EXTRA_CLASSPATH sur /opt/spark/jars/*.

Vous pouvez inclure le fichier JAR de la charge de travail dans votre image de conteneur personnalisé, puis le référencer avec un chemin d'accès local lors de l'envoi de la charge de travail, par exemple file:///opt/spark/jars/my-spark-job.jar (voir la section Envoyer une charge de travail par lot Spark à l'aide d'une image de conteneur personnalisée pour obtenir un exemple).

Packages Python

Par défaut, Dataproc sans serveur pour Spark installe Conda depuis l'hôte dans le répertoire /opt/dataproc/conda du conteneur au moment de l'exécution. PYSPARK_PYTHON est défini sur /opt/dataproc/conda/bin/python. Son répertoire de base, /opt/dataproc/conda/bin, est inclus dans PATH.

Vous pouvez inclure votre environnement Python avec des packages situés dans un autre répertoire dans votre image de conteneur personnalisé, par exemple dans /opt/conda, et définir la variable d'environnement PYSPARK_PYTHON sur /opt/conda/bin/python.

Votre image de conteneur personnalisé peut inclure d'autres modules Python qui ne font pas partie de l'environnement Python, tels que des scripts Python avec des fonctions utilitaires. Définissez la variable d'environnement PYTHONPATH pour inclure les répertoires où se trouvent les modules.

Environnement R

Vous pouvez personnaliser l'environnement R dans votre image de conteneur personnalisé à l'aide de l'une des options suivantes:

• Utilisez Conda pour gérer et installer les packages R à partir du canal conda-forge.
• Ajoutez un dépôt R pour votre système d'exploitation Linux de l'image de conteneur, puis installez les packages R à l'aide du gestionnaire de packages du système d'exploitation Linux (consultez l'index des packages logiciels R).

Lorsque vous utilisez l'une de ces options, vous devez définir la variable d'environnement R_HOME pour qu'elle pointe vers votre environnement R personnalisé. Exception: Si vous utilisez Conda pour gérer votre environnement R et personnaliser votre environnement Python, vous n'avez pas besoin de définir la variable d'environnement R_HOME. Elle est automatiquement définie en fonction de la variable d'environnement PYSPARK_PYTHON.

Exemple de compilation d'image de conteneur personnalisé

Cette section inclut un exemple de création d'image de conteneur personnalisée, en commençant par un exemple de fichier Dockerfile.

Dockerfile

# Debian 11 is recommended.
FROM debian:11-slim

# Suppress interactive prompts
ENV DEBIAN_FRONTEND=noninteractive

# (Required) Install utilities required by Spark scripts.
RUN apt update && apt install -y procps tini libjemalloc2

# (Optiona) Install utilities required by XGBoost for Spark.
RUN apt install -y procps libgomp1

# Enable jemalloc2 as default memory allocator
ENV LD_PRELOAD=/usr/lib/x86_64-linux-gnu/libjemalloc.so.2

# (Optional) Add extra jars.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}"
COPY spark-bigquery-with-dependencies_2.12-0.22.2.jar "${SPARK_EXTRA_JARS_DIR}"

# (Optional) Install and configure Miniconda3.
ENV CONDA_HOME=/opt/miniconda3
ENV PYSPARK_PYTHON=${CONDA_HOME}/bin/python
ENV PATH=${CONDA_HOME}/bin:${PATH}
COPY Miniconda3-py39_4.10.3-Linux-x86_64.sh .
RUN bash Miniconda3-py39_4.10.3-Linux-x86_64.sh -b -p /opt/miniconda3 \
  && ${CONDA_HOME}/bin/conda config --system --set always_yes True \
  && ${CONDA_HOME}/bin/conda config --system --set auto_update_conda False \
  && ${CONDA_HOME}/bin/conda config --system --prepend channels conda-forge \
  && ${CONDA_HOME}/bin/conda config --system --set channel_priority strict
# Packages ipython and ipykernel are required if using custom conda and want to
# use this container for running notebooks.
RUN ${CONDA_HOME}/bin/conda install ipython ipykernel

# (Optional) Install Conda packages.
#
# The following packages are installed in the default image, it is strongly
# recommended to include all of them.
#
# Use mamba to install packages quickly.
RUN ${CONDA_HOME}/bin/conda install mamba -n base -c conda-forge \
    && ${CONDA_HOME}/bin/mamba install \
      conda \
      cython \
      fastavro \
      fastparquet \
      gcsfs \
      google-cloud-bigquery-storage \
      google-cloud-bigquery[pandas] \
      google-cloud-bigtable \
      google-cloud-container \
      google-cloud-datacatalog \
      google-cloud-dataproc \
      google-cloud-datastore \
      google-cloud-language \
      google-cloud-logging \
      google-cloud-monitoring \
      google-cloud-pubsub \
      google-cloud-redis \
      google-cloud-spanner \
      google-cloud-speech \
      google-cloud-storage \
      google-cloud-texttospeech \
      google-cloud-translate \
      google-cloud-vision \
      koalas \
      matplotlib \
      nltk \
      numba \
      numpy \
      openblas \
      orc \
      pandas \
      pyarrow \
      pysal \
      pytables \
      python \
      regex \
      requests \
      rtree \
      scikit-image \
      scikit-learn \
      scipy \
      seaborn \
      sqlalchemy \
      sympy \
      virtualenv

# (Optional) Add extra Python modules.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
COPY test_util.py "${PYTHONPATH}"

# (Optional) Install R and R libraries.
RUN apt update \
  && apt install -y gnupg \
  && apt-key adv --no-tty \
      --keyserver "hkp://keyserver.ubuntu.com:80" \
      --recv-keys E19F5F87128899B192B1A2C2AD5F960A256A04AF \
  && echo "deb http://cloud.r-project.org/bin/linux/debian bullseye-cran40/" \
      >/etc/apt/sources.list.d/cran-r.list \
  && apt update \
  && apt install -y \
      libopenblas-base \
      libssl-dev \
      r-base \
      r-base-dev \
      r-recommended \
      r-cran-blob

ENV R_HOME=/usr/lib/R

# (Required) Create the 'spark' group/user.
# The GID and UID must be 1099. Home directory is required.
RUN groupadd -g 1099 spark
RUN useradd -u 1099 -g 1099 -d /home/spark -m spark
USER spark

Commandes de compilation

Exécutez-le dans le répertoire Dockerfile.

IMAGE=gcr.io/my-project/my-image:1.0.1

# Download the BigQuery connector.
gsutil cp \
  gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .

# Download the Miniconda3 installer.
wget https://repo.anaconda.com/miniconda/Miniconda3-py39_4.10.3-Linux-x86_64.sh

# Python module example
cat >test_util.py <<EOF
def hello(name):
  print("hello {}".format(name))

def read_lines(path):
  with open(path) as f:
    return f.readlines()
EOF

# Build and push the image.
docker build -t "${IMAGE}" .
docker push "${IMAGE}"