Incluindo outro arquivo no modelo de flex do Dataflow Python, ImportError

Question

Existe um exemplo de um modelo Python Dataflow Flex com mais de um arquivo em que o script está importando outros arquivos incluídos na mesma pasta?

A estrutura do meu projeto é assim:

├── pipeline
│   ├── __init__.py
│   ├── main.py
│   ├── setup.py
│   ├── custom.py

Estou tentando importar custom.py dentro de main.py para um modelo de flex de fluxo de dados.

Recebo o seguinte erro na execução do pipeline:

"ModuleNotFoundError: No module named 'custom'"

O pipeline funciona bem se eu incluir todo o código em um único arquivo e não fizer nenhuma importação.

Dockerfile de exemplo:

FROM gcr.io/dataflow-templates-base/python3-template-launcher-base

ARG WORKDIR=/dataflow/template/pipeline
RUN mkdir -p ${WORKDIR} WORKDIR ${WORKDIR}

COPY pipeline /dataflow/template/pipeline

COPY spec/python_command_spec.json /dataflow/template/

ENV DATAFLOW_PYTHON_COMMAND_SPEC /dataflow/template/python_command_spec.json

RUN pip install avro-python3 pyarrow==0.11.1 apache-beam[gcp]==2.24.0

ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py" ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/main.py"

Arquivo de especificações Python:

{
    "pyFile":"/dataflow/template/pipeline/main.py"
}
  

Estou implantando o modelo com o seguinte comando: gcloud builds submit --project=${PROJECT} --tag ${TARGET_GCR_IMAGE} .

Qualquer ajuda é apreciada.

Answer 1

Na verdade, resolvi isso passando um parâmetro adicional setup_file para a execução do modelo. Também é necessário adicionar setup_fileparâmetros aos metadados do modelo

--parameters setup_file="/dataflow/template/pipeline/setup.py"

Aparentemente, o comando ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py" no Dockerfile é inútil e não seleciona o arquivo de configuração.

Meu arquivo de configuração era assim:

import setuptools

setuptools.setup(
    packages=setuptools.find_packages(),
    install_requires=[
        'apache-beam[gcp]==2.24.0'
    ],
 )

Answer 2

Depois de alguns testes, descobri que, por razões desconhecidas, os arquivos phyton no diretório de trabalho ( WORKDIR) não podem ser referenciados com uma importação. Mas funciona se você criar uma subpasta e mover as dependências do Python para ela. Testei e funcionou, por exemplo, no seu caso de uso você pode ter a seguinte estrutura:

├── pipeline
│   ├── main.py
│   ├── setup.py
│   ├── mypackage
│   │   ├── __init__.py
│   │   ├── custom.py

E você será capaz de referência: import mypackage.custom. O arquivo Docker deve ser movido custom.pypara o diretório apropriado.

RUN mkdir -p ${WORKDIR}/mypackage RUN touch ${WORKDIR}/mypackage/__init__.py
COPY custom.py ${WORKDIR}/mypackage

E a dependência será adicionada ao diretório de instalação do python:

$ docker exec -it <container> /bin/bash
# find / -name custom.py
/usr/local/lib/python3.7/site-packages/mypackage/custom.py

Answer 3

@ pavan-kumar-kattamuri me pediu para postar minha solução, então aqui está.

FROM gcr.io/dataflow-templates-base/python3-template-launcher-base:flex_templates_base_image_release_20210120_RC00

ARG WORKDIR=/dataflow/template
RUN mkdir -p ${WORKDIR} WORKDIR ${WORKDIR}

COPY requirements.txt .


# Read https://stackoverflow.com/questions/65766066/can-i-make-flex-template-jobs-take-less-than-10-minutes-before-they-start-to-pro#comment116304237_65766066
# to understand why apache-beam is not being installed from requirements.txt
RUN pip install --no-cache-dir -U apache-beam==2.26.0
RUN pip install --no-cache-dir -U -r ./requirements.txt

COPY mymodule.py setup.py ./
COPY protoc_gen protoc_gen/

ENV FLEX_TEMPLATE_PYTHON_REQUIREMENTS_FILE="${WORKDIR}/requirements.txt" ENV FLEX_TEMPLATE_PYTHON_PY_FILE="${WORKDIR}/mymodule.py"
ENV FLEX_TEMPLATE_PYTHON_SETUP_FILE="${WORKDIR}/setup.py"

e aqui está meu setup.py:

import setuptools

setuptools.setup(
    packages=setuptools.find_packages(),
    install_requires=[],
    name="my df job modules",
)