Configura l'ambiente Python

I job PySpark su Managed Service for Apache Spark vengono eseguiti da un interprete Python sul cluster. Il codice del job deve essere compatibile in fase di runtime con la versione dell'interprete Python e le dipendenze.

Controlla la versione dell'interprete e i moduli

Il seguente programma di esempio check_python_env.py controlla l'utente Linux che esegue il job, l'interprete Python e i moduli disponibili.

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))

Esegui il programma

REGION=region
gcloud dataproc jobs submit pyspark check_python_env.py \
    --cluster=my-cluster \
    --region=${REGION} \
    -- pandas scipy

Esempio di output

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))

Ambienti Python delle immagini di Managed Service for Apache Spark

Le sezioni seguenti descrivono gli ambienti Python per i cluster di diverse versioni delle immagini di Managed Service for Apache Spark.

Versione dell'immagine di Managed Service for Apache Spark 1.5

Miniconda3 è installato sui cluster Managed Service for Apache Spark 1.5. L'interprete predefinito è Python 3.7, che si trova nell'istanza VM rispettivamente in /opt/conda/miniconda3/bin/python3.7. Python 2.7 è disponibile anche in /usr/bin/python2.7.

Puoi installare i pacchetti conda e pip nell'ambiente base o configurare il tuo ambiente conda sul cluster utilizzando le proprietà del cluster correlate a conda.

Per utilizzare Python 2.7 come interprete predefinito sui cluster 1.5, non utilizzare il componente facoltativo Anaconda durante la creazione del cluster. Utilizza invece l' azione di inizializzazione conda per installare Miniconda2 e utilizza le proprietà del cluster correlate a conda per installare i pacchetti conda e pip nell'ambiente base o configurare il tuo ambiente conda sul cluster.

Esempio

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'

Versione dell'immagine di Managed Service for Apache Spark 2.x

conda è installato sui cluster Managed Service for Apache Spark 2.x. L'interprete Python3 predefinito si trova nell'istanza VM in /opt/conda/default/bin. Le pagine seguenti elencano la versione di Python inclusa nelle versioni delle immagini di Managed Service for Apache Spark:

• 2.0
• 2.1
• 2.2

L'interprete Python non predefinito del sistema operativo è disponibile in /usr/bin/.

Puoi installare i pacchetti conda e pip nell'ambiente base o configurare il tuo ambiente conda sul cluster utilizzando le proprietà del cluster correlate a conda.

Esempio

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 non è disponibile per i cluster Managed Service for Apache Spark 2.0.

Evita problemi di download dei pacchetti

I nodi del cluster Managed Service for Apache Spark scaricano i pacchetti dai repository Python pubblici esterni quando installano pacchetti conda e pip personalizzati (vedi Proprietà del cluster correlate a conda). Per evitare errori di creazione del cluster dovuti alla mancata disponibilità dei repository Python pubblici, valuta la possibilità di creare un'immagine personalizzata di Managed Service for Apache Spark o di caricare le dipendenze in un bucket Cloud Storage (vedi Scaricare le dipendenze con i cluster solo con IP interni).

Scegli un interprete Python per un job

Se sul cluster sono installati più interpreti Python, il sistema esegue /etc/profile.d/effective-python.sh, che esporta la variabile di ambiente PYSPARK_PYTHON per scegliere l'interprete Python predefinito per i job PySpark. Se hai bisogno di un interprete Python non predefinito per un job PySpark, quando invii il job al cluster, imposta le proprietà spark.pyspark.python e spark.pyspark.driver.python sul numero di versione di Python richiesto (ad esempio "python2.7" o "python3.6").

Esempio

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

Se ti connetti a un nodo del cluster su cui è installato Miniconda o Anaconda utilizzando SSH, quando esegui sudo python --version, la versione di Python visualizzata può essere diversa da quella visualizzata da python --version. Questa differenza di versione può verificarsi perché sudo utilizza il Python di sistema predefinito /usr/bin/python e non esegue /etc/profile.d/effective-python.sh per inizializzare l'ambiente Python. Per un'esperienza coerente quando utilizzi sudo, individua il percorso Python impostato in /etc/profile.d/effective-python.sh, quindi esegui il comando env per impostare PATH su questo percorso Python. Ecco un esempio di cluster 1.5:

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

Utilizza le proprietà del cluster correlate a conda

Puoi personalizzare l'ambiente conda durante la creazione del cluster utilizzando le proprietà del cluster correlate a conda.

Esistono due modi reciprocamente esclusivi per personalizzare l'ambiente conda quando crei un cluster Managed Service for Apache Spark:

1. Utilizza la proprietà del cluster dataproc:conda.env.config.uri per creare e attivare un nuovo ambiente conda sul cluster. oppure

2. Utilizza le proprietà del cluster dataproc:conda.packages e dataproc:pip.packages per aggiungere rispettivamente i pacchetti conda e pip all'ambiente conda base sul cluster.

Avviso: la creazione del cluster può andare in timeout a seconda del tempo necessario per installare i nuovi pacchetti o l'ambiente specificato dalle proprietà. Il timeout è impostato su 10 minuti.

Proprietà del cluster correlate a conda

• dataproc:conda.env.config.uri: il percorso assoluto di un file di configurazione YAML dell'ambiente conda che si trova in Cloud Storage. Questo file verrà utilizzato per creare e attivare un nuovo ambiente conda sul cluster.

  Nota: La proprietà del cluster dataproc:conda.env.config.uri non può essere utilizzata con le proprietà del cluster dataproc:conda.packages o dataproc:pip.packages.

  Esempio:

  1. Recupera o crea un file di configurazione environment.yaml di conda. Puoi creare manualmente il file, utilizzare un file esistente o esportare un ambiente conda esistente) in un file environment.yaml utilizzando il seguente comando:

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

  2. Copia il file di configurazione nel bucket Cloud Storage.

     gcloud storage cp environment.yaml gs://bucket-name/environment.yaml
     

  3. Crea il cluster e fai riferimento al file di configurazione dell'ambiente in 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: un elenco di condapacchetti con versioni specifiche da installare nell'ambiente di base, nel formato pkg1==v1,pkg2==v2.... Se conda non riesce a risolvere i conflitti con i pacchetti esistenti nell'ambiente di base, i pacchetti in conflitto non verranno installati.

  Note:

  • Le proprietà del cluster dataproc:conda.packages e dataproc:pip.packages non possono essere utilizzate con la dataproc:conda.env.config.uri proprietà del cluster.

  • Quando specifichi più pacchetti (separati da una virgola), devi specificare un carattere delimitatore alternativo (vedi Formattazione delle proprietà del cluster ). L'esempio seguente specifica "#" come carattere delimitatore per passare più nomi di pacchetti separati da virgole alla proprietà dataproc:conda.packages.

  Esempio:

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: un elenco di pacchetti pip con versioni specifiche da installare nell'ambiente di base, nel formato pkg1==v1,pkg2==v2.... `pip esegue l'upgrade delle dipendenze esistenti solo se necessario. I conflitti possono rendere l'ambiente incoerente.

  Note:

  • Le proprietà del cluster dataproc:pip.packages e dataproc:conda.packages non possono essere utilizzate con la proprietà del cluster dataproc:conda.env.config.uri.

  • Quando specifichi più pacchetti (separati da una virgola), devi specificare un carattere delimitatore alternativo (vedi Formattazione delle proprietà del cluster ). L'esempio seguente specifica "#" come carattere delimitatore per passare più nomi di pacchetti separati da virgole alla proprietà dataproc:pip.packages.

  Esempio:

REGION=region
gcloud dataproc clusters create cluster-name \
    --region=${REGION} \
    --properties='^#^dataproc:pip.packages=tokenizers==0.10.1,datasets==1.4.1' \
    ... other flags ...

• Puoi utilizzare sia dataproc:conda.packages sia dataproc:pip.packages durante la creazione di un cluster.

  Esempio:

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 ...