GCP Dataproc 自定义图像 Python 环境

Question

我在创建 DataProc 自定义图像和 Pyspark 时遇到问题。 我的自定义映像基于 DataProc 1.4.1-debian9，并使用我的初始化脚本从 requirements.txt 文件安装 python3 和一些包，然后设置 python3 env 变量以强制 pyspark 使用 python3。 但是，当我在使用此图像创建的集群（为简单起见，使用单节点标志）上提交作业时，该作业找不到已安装的软件包。 如果我登录集群机器并运行 pyspark 命令，则启动 Anaconda PySpark，但如果我以 root 用户登录并运行 pyspark，我将使用 python 3.5.3 获得 pyspark。 这是一个很奇怪的事情。 我不明白的是哪个用户用于创建图像？ 为什么我的用户和 root 用户有不同的环境？ 我希望该映像是使用 root 用户配置的，所以我希望我安装的所有软件包都可以从 root 用户中找到。 提前致谢

Answer 1

更新答案（2021 年第二季度）

customize_conda.sh 脚本是为自定义图像自定义 Conda env 的推荐方式。

如果您需要的不仅仅是脚本，您可以阅读代码并创建自己的脚本，但通常您希望使用绝对路径，例如/opt/conda/anaconda/bin/conda、/opt/conda/anaconda/bin/pip、/opt/conda/miniconda3/bin/conda、/opt/conda/miniconda3/bin/pip为 Anaconda/Miniconda 环境安装/卸载软件包。

原答案

我建议您先阅读Configure the cluster's Python environment，它概述了 Dataproc 在不同映像版本上的 Python 环境，以及如何安装包和为 PySpark 作业选择 Python 的说明。

在您的情况下，1.4 已经带有 miniconda3。初始化操作和作业以 root 身份执行。创建集群时执行/etc/profile.d/effective-python.sh初始化Python环境。但是由于自定义镜像脚本（首先）和（然后）可选组件激活顺序的顺序，在自定义镜像构建时miniconda3还没有初始化，所以你的脚本实际上是自定义操作系统的系统Python，然后在集群创建时，miniconda3初始化覆盖操作系统系统 Python 的 Python。

我找到了一个解决方案，在您的自定义图像脚本中，在开头添加此代码，它会将您置于与您的工作相同的 Python 环境中：

# This is /usr/bin/python
which python 

# Activate miniconda3 optional component.
cat >>/etc/google-dataproc/dataproc.properties <<EOF
dataproc.components.activate=miniconda3
EOF
bash /usr/local/share/google/dataproc/bdutil/components/activate/miniconda3.sh
source /etc/profile.d/effective-python.sh

# Now this is /opt/conda/default/bin/python
which python 

然后你可以安装包，例如：

conda install <package> -y