Configura 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 tiempo 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

En las siguientes secciones, se describen los entornos de Python para diferentes clústeres de versiones de imágenes de Dataproc.

Versión 1.5 de la imagen de Dataproc

Miniconda3 se instala en los clústeres de Dataproc 1.5. El intérprete predeterminado es Python 3.7, que se encuentra en la instancia de VM en /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 de conda en el clúster con propiedades del clúster relacionadas con Conda.

Para usar Python 2.7 como intérprete predeterminado en los clústeres 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 en el entorno base o configurar tu propio entorno conda en el clúster.

Ejemplo

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'

Versión 2.x de la imagen de Dataproc

conda se instala en los clústeres de Dataproc 2.x. El intérprete de Python 3 predeterminado se encuentra en la instancia de VM en /opt/conda/default/bin. En las siguientes páginas, se indica la versión de Python incluida en las versiones con imágenes de Dataproc:

• 2.0
• 2.1
• 2.2

El intérprete de Python no predeterminado del SO está disponible en /usr/bin/.

Puedes instalar paquetes de conda y pip en el entorno base o configurar tu propio entorno de conda en el clúster con propiedades del 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.

Evita problemas con la descarga de paquetes

Los nodos del clúster de Dataproc descargan paquetes de repositorios externos públicos de Python cuando se instalan paquetes personalizados de conda y pip (consulta las propiedades del clúster relacionadas con Conda). Para evitar errores en la creación de clústeres debido a la falta de disponibilidad de repositorios públicos de Python, considera crear una imagen personalizada de Dataproc o subir las dependencias a un bucket de Cloud Storage (consulta Descarga dependencias con clústeres solo con IP interna).

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 te conectas a un nodo de clúster que tiene Miniconda o Anaconda instalados con SSH, 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 1.5:

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

Usa propiedades del clúster relacionadas con Conda

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

Hay dos formas mutuamente excluyentes de personalizar el entorno de 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 conda base en el clúster.

Advertencia: Es posible que se agote el tiempo de espera de la creación del clúster según el tiempo necesario para instalar los nuevos paquetes o entornos que especifican las propiedades. El tiempo de espera se establece en 10 minutos.

Propiedades del clúster relacionadas con Conda

• dataproc:conda.env.config.uri: Es la ruta de acceso absoluta a un 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.

  Nota: La propiedad del clúster dataproc:conda.env.config.uri no se puede usar con propiedades del clúster dataproc:conda.packages o dataproc:pip.packages.

  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 archivo environment.yaml con el siguiente comando:

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

  2. Copia el archivo de configuración en tu bucket de Cloud Storage.

     gcloud storage 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 paquetes de 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} \
    --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 ...