如何使用自定义 Docker 映像运行 Python Google Cloud Dataflow 作业？

Question

我想使用自定义 Docker 映像运行 Python Google Cloud Dataflow 作业。

根据文档，这应该是可能的：https://beam.apache.org/documentation/runtime/environments/#testing-customized-images

为了尝试此功能，我使用此公共存储库中的文档中的命令行选项设置了基本字数示例管道https://github.com/swarchris8/beam_wordcount_with_docker

我可以使用 PortableRunner 在本地使用apachebeam/python3.6_sdk图像运行字数统计作业，但使用 Dataflow 我无法执行此操作。

我正在尽可能密切地关注 PortableRunner 的文档，我的参数是：

python -m wordcount --input wordcount.py \
--output counts \
--runner=PortableRunner \
--job_endpoint=embed \
--environment_config=apachebeam/python3.6_sdk

对于数据流：

python -m wordcount --input wordcount.py \
--output gs://healx-pubmed-ingestion-tmp/test/wordcount/count/count \\
--runner=DataflowRunner \
--project=healx-pubmed-ingestion \
--job_name=dataflow-wordcount-docker \
--temp_location=gs://healx-pubmed-ingestion-tmp/test/wordcount/tmp \
--experiment=beam_fn_api \
--sdk_location=/Users/chris/beam/sdks/python/container/py36/build/target/apache-beam.tar.gz \
--worker_harness_container_image=apachebeam/python3.6_sdk \
--region europe-west1 \
--zone europe-west1-c

有关完整详细信息，请参阅链接的存储库。

我在这里做错了什么，或者 Dataflow 中的 Python 作业不支持此功能？

Answer 1

您应该能够将自定义容器与带有 的 Dataflow 结合使用--experiment=--use_runner_v2，很快就会默认启用。示例命令行可能如下所示：

pip install apache-beam[gcp]==2.24.0
python -m apache_beam.examples.wordcount \
--output gs://healx-pubmed-ingestion-tmp/test/wordcount/ \
--runner=DataflowRunner \
--project=healx-pubmed-ingestion \
--region europe-west1 \
--temp_location=gs://healx-pubmed-ingestion-tmp/test/wordcount/tmp \
--worker_harness_container_image=apache/beam_python3.6_sdk:2.24.0 \
--experiment=use_runner_v2
                           

要自定义容器，请按照https://beam.apache.org/documentation/runtime/environments/#customizing-container-images上的说明进行操作。