Crea un'immagine container personalizzata di Google Kubernetes Engine

Puoi specificare un'immagine container personalizzata da utilizzare con Managed Service for Apache Spark su GKE . L'immagine container personalizzata deve utilizzare una delle immagini Spark di base di Managed Service for Apache Spark su GKE.

Utilizza un'immagine container personalizzata

Per utilizzare un'immagine container personalizzata di Managed Service for Apache Spark su GKE, imposta spark.kubernetes.container.image property quando crei un cluster virtuale di Managed Service for Apache Spark su GKE o invii un job Spark al cluster.

  • Esempio di creazione di un cluster con gcloud CLI:
    gcloud dataproc clusters gke create "${DP_CLUSTER}" \
        --properties=spark:spark.kubernetes.container.image=custom-image \
        ... other args ...
    
  • Esempio di invio di un job con gcloud CLI:
    gcloud dataproc jobs submit spark \
        --properties=spark.kubernetes.container.image=custom-image \
        ... other args ...
    

Requisiti e impostazioni delle immagini container personalizzate

Immagini di base

Puoi utilizzare gli strumenti docker per creare un Docker personalizzato basato su una delle immagini Spark di base di Managed Service for Apache Spark su GKE pubblicate.

Utente del container

Managed Service for Apache Spark su GKE esegue i container Spark come utente Linux spark con un UID 1099 e un GID 1099. Utilizza l'UID e il GID per le autorizzazioni del file system. Ad esempio, se aggiungi un file jar in /opt/spark/jars/my-lib.jar nell'immagine come dipendenza del workload, devi concedere all'utente spark l'autorizzazione in lettura per il file.

Componenti

  • Java: la variabile di ambiente JAVA_HOME punta alla posizione dell'installazione di Java. Il valore predefinito attuale è /usr/lib/jvm/adoptopenjdk-8-hotspot-amd64, che è soggetto a modifiche (consulta le note di rilascio di Managed Service for Apache Spark per informazioni aggiornate).

    • Se personalizzi l'ambiente Java, assicurati che JAVA_HOME sia impostato sulla posizione corretta e che PATH includa il percorso dei file binari.
  • Python: le immagini Spark di base di Managed Service for Apache Spark su GKE hanno Miniconda3 installato in /opt/conda. CONDA_HOME rimanda a questa località, ${CONDA_HOME}/bin è incluso in PATH e PYSPARK_PYTHON è impostato su ${CONDA_HOME}/python.

    • Se personalizzi Conda, assicurati che CONDA_HOME punti alla home directory di Conda, che ${CONDA_HOME}/bin sia incluso in PATH e che PYSPARK_PYTHON sia impostato su ${CONDA_HOME}/python.

    • Puoi installare, rimuovere e aggiornare i pacchetti nell'ambiente di base predefinito o creare un nuovo ambiente, ma è vivamente consigliato che l'ambiente includa tutti i pacchetti installati nell'ambiente di base dell'immagine container di base.

    • Se aggiungi moduli Python, ad esempio uno script Python con funzioni di utilità, all'immagine container, includi le directory dei moduli in PYTHONPATH.

  • Spark: Spark è installato in /usr/lib/spark e SPARK_HOME rimanda a questa posizione. Spark non può essere personalizzato. Se viene modificata, l'immagine container verrà rifiutata o non funzionerà correttamente.

    • Job: puoi personalizzare le dipendenze dei job Spark. SPARK_EXTRA_CLASSPATH definisce il classpath aggiuntivo per i processi JVM Spark. Suggerimento: inserisci i file jar in /opt/spark/jars e imposta SPARK_EXTRA_CLASSPATH su /opt/spark/jars/*.

      Se incorpori il file JAR del job nell'immagine, la directory consigliata è /opt/spark/job. Quando invii il job, puoi fare riferimento allo script con un percorso locale, ad esempio file:///opt/spark/job/my-spark-job.jar.

    • Connettore Cloud Storage: il connettore Cloud Storage è installato in /usr/lib/spark/jars.

    • Utilità: i pacchetti di utilità procps e tini sono necessari per eseguire Spark. Queste utilità sono incluse nelle immagini Spark di base, quindi non è necessario reinstallarle nelle immagini personalizzate.

    • Entrypoint: Managed Service for Apache Spark su GKE ignora qualsiasi modifica apportata alle primitive ENTRYPOINT e CMD nell'immagine container.

    • Script di inizializzazione: puoi aggiungere uno script di inizializzazione facoltativo in /opt/init-script.sh. Uno script di inizializzazione può scaricare file da Cloud Storage, avviare un proxy all'interno del container, chiamare altri script ed eseguire altre attività di avvio.

      Lo script entrypoint chiama lo script di inizializzazione con tutti gli argomenti della riga di comando ($@) prima di avviare il driver Spark, l'esecutore Spark e altri processi. Lo script di inizializzazione può selezionare il tipo di processo Spark in base al primo argomento ($1): i valori possibili includono spark-submit per i container driver e executor per i container executor.

  • Configurazioni: le configurazioni di Spark si trovano in /etc/spark/conf. La variabile di ambiente SPARK_CONF_DIR punta a questa posizione.

    Non personalizzare le configurazioni di Spark nell'immagine container. Invia invece le proprietà tramite l'API Managed Service for Apache Spark su GKE per i seguenti motivi:

    • Alcune proprietà, come le dimensioni della memoria dell'esecutore, vengono determinate in fase di runtime, non in fase di creazione dell'immagine container; devono essere inserite da Managed Service for Apache Spark su GKE .
    • Managed Service for Apache Spark su GKE impone limitazioni alle proprietà fornite dagli utenti. Managed Service for Apache Spark su GKE monta le configurazioni da configMap in /etc/spark/conf nel container, eseguendo l'override delle impostazioni incorporate nell'immagine.

Immagini Spark di base

Managed Service for Apache Spark supporta le seguenti immagini container Spark di base:

  • Spark 3.5: ${REGION}-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.2

Esempio di build di un'immagine container personalizzata

Dockerfile di esempio

FROM us-central1-docker.pkg.dev/cloud-dataproc/spark/dataproc_2.0:latest

# Change to root temporarily so that it has permissions to create dirs and copy
# files.
USER root

# Add a BigQuery connector jar.
ENV SPARK_EXTRA_JARS_DIR=/opt/spark/jars/
ENV SPARK_EXTRA_CLASSPATH='/opt/spark/jars/*'
RUN mkdir -p "${SPARK_EXTRA_JARS_DIR}" \
    && chown spark:spark "${SPARK_EXTRA_JARS_DIR}"
COPY --chown=spark:spark \
    spark-bigquery-with-dependencies_2.12-0.22.2.jar "${SPARK_EXTRA_JARS_DIR}"

# Install Cloud Storage client Conda package.
RUN "${CONDA_HOME}/bin/conda" install google-cloud-storage

# Add a custom Python file.
ENV PYTHONPATH=/opt/python/packages
RUN mkdir -p "${PYTHONPATH}"
COPY test_util.py "${PYTHONPATH}"

# Add an init script.
COPY --chown=spark:spark init-script.sh /opt/init-script.sh

# (Optional) Set user back to `spark`.
USER spark

Crea l'immagine container

Esegui questi comandi nella directory Dockerfile

  1. Imposta l'immagine (ad esempio: us-central1-docker.pkg.dev/my-project/spark/spark-test-image:latest) e passa alla directory di build.
    IMAGE=custom container image \
        BUILD_DIR=$(mktemp -d) \
        cd "${BUILD_DIR}"
    
  2. Scarica il connettore BigQuery.

    gcloud storage cp \
        gs://spark-lib/bigquery/spark-bigquery-with-dependencies_2.12-0.22.2.jar .
    

  3. Crea un file di esempio Python.

    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

  4. Crea uno script di inizializzazione di esempio.

    cat >init-script.sh <<EOF
    echo "hello world" >/tmp/init-script.out
    EOF
    

  5. Crea l'immagine ed eseguine il push.

    docker build -t "${IMAGE}" . && docker push "${IMAGE}"