使用 Databricks 容器服务自定义容器

项目
04/10/2024

Databricks 容器服务允许在创建计算时指定 Docker 映像。一些示例用例包括：

库自定义：你可以完全控制你要安装的系统库。
黄金容器环境：你的 Docker 映像是锁定的环境，永远不会更改。
Docker CI/CD 集成：可以将 Azure Databricks 与 Docker CI/CD 管道集成。

还可以使用 Docker 映像在具有 GPU 设备的计算上创建自定义深度学习环境。若要进一步了解如何将 GPU 计算与 Databricks 容器服务配合使用，请参阅 GPU 计算上的 Databricks 容器服务。

对于容器每次启动时要执行的任务，请使用初始化脚本。

要求

你的 Azure Databricks 工作区必须已启用 Databricks 容器服务。
你的计算机必须运行最新的 Docker 守护程序（一个经过测试的可与客户端/服务器版本 18.03.0-ce 一起使用的版本），并且 docker 命令必须在你的 PATH 上可用。

限制

使用共享访问模式的计算不支持 Databricks 容器服务。
用于机器学习的 Databricks Runtime 不支持 Databricks 容器服务。
若要访问 Databricks 容器服务上的卷，请将以下配置添加到相应计算的“Spark 配置”字段：spark.databricks.unityCatalog.volumes.enabled true。

步骤 1：生成基础映像

Databricks 建议你根据 Databricks 已生成并测试的基础映像生成 Docker 基础映像。还可以从头开始生成 Docker 基础映像。本部分介绍两个选项。

选项 1. 使用 Databricks 生成的基础映像

此示例为映像使用的 9.x 标记将面向具有 Databricks Runtime 9.0 及更高运行时版本的计算：

FROM databricksruntime/standard:9.x
...

若要指定其他 Python 库（例如最新版本的 pandas 和 urllib），请使用特定于容器的 pip 版本。对于 databricksruntime/standard:9.x 容器，请包括以下内容：

RUN /databricks/python3/bin/pip install pandas
RUN /databricks/python3/bin/pip install urllib3

对于 databricksruntime/standard:8.x 或较低版本的容器，请包括以下内容：

RUN /databricks/conda/envs/dcs-minimal/bin/pip install pandas
RUN /databricks/conda/envs/dcs-minimal/bin/pip install urllib3

基础映像将托管在 https://hub.docker.com/u/databricksruntime 中 Docker Hub 上。用来生成这些基础映像的 Dockerfile 位于 https://github.com/databricks/containers。

注意

将修补带有“-LTS”后缀标记的 Docker Hub 托管映像。其他所有映像都是示例，不会定期修补。

注意

基础映像 databricksruntime/standard 和 databricksruntime/minimal 不会与不相关的 databricks-standard 和 databricks-minimal 环境混淆，这些环境包含在不再可用的带有 Conda 的 Databricks Runtime（Beta 版本）中。

选项 2. 生成你自己的 Docker 基础映像

你还可以从头开始生成 Docker 基础映像。 Docker 映像必须满足以下要求：

系统 PATH 上的 Java 为 JDK 8u191
bash
iproute2 (ubuntu iproute)
coreutils (ubuntu coreutils)
procps (ubuntu procps)
sudo (ubuntu sudo)
Ubuntu Linux

若要从头开始生成你自己的映像，必须创建虚拟环境。还必须包括 Databricks 计算中内置的包，例如 Python 和 R。若要开始，可以使用相应的基础映像：

R 模型：databricksruntime/rbase
Python 模型：databricksruntime/python
对于 Databricks 生成的最小映像：databricksruntime/minimal

还可以参考 GitHub 中的 Dockerfile 示例。

注意

Databricks 建议使用 Ubuntu Linux，但你可以使用 Alpine Linux。若要使用 Alpine Linux，必须包括以下文件：

此外，还必须设置 Python，如此示例 Dockerfile 所示。

警告

在 Azure Databricks 计算中全面测试自定义容器映像。容器可以在本地或生成计算机上工作，但在 Azure Databricks 上启动容器时，计算启动可能会失败，某些功能可能会禁用，或者容器可能会停止工作（甚至是无提示的）。最糟糕的情况是，它可能会损坏你的数据，或者意外地向外部方公开你的数据。

步骤 2：推送基础映像

将自定义基础映像推送到 Docker 注册表。以下注册表支持此过程：

无身份验证或基本身份验证的 Docker Hub。
具有基础身份验证的 Azure 容器注册表。

其他支持无身份验证或基本身份验证的 Docker 注册表应当也能正常工作。

注意

如果为 Docker 注册表使用 Docker Hub，请务必检查速率限制是否适合预期在 6 小时内启动的计算量。对于匿名用户、没有付费订阅的经过身份验证的用户和付费订阅，这些费率限制有所不同。有关详细信息，请参阅 Docker 文档。如果超出此限制，你将收到“429 请求过多”响应。

步骤 3：启动计算

你可以使用 UI 或 API 启动计算。

使用 UI 启动计算

在“创建计算”页面上，指定支持 Databricks 容器服务的 Databricks Runtime 版本。
在“高级选项”下，选择“Docker”选项卡。
选择“使用自己的 Docker 容器”。

在“Docker 映像 URL”字段中，输入你的自定义 Docker 映像。

Docker 映像 URL 示例：

注册表	标记格式
Docker Hub	`<organization>/<repository>:<tag>`（例如：`databricksruntime/standard:latest`）
Azure 容器注册表	`<your-registry-name>.azurecr.io/<repository-name>:<tag>`

选择身份验证类型。

使用 API 启动计算

生成 API 令牌。
使用群集 API 通过自定义 Docker 基础映像启动计算。
```
curl -X POST -H "Authorization: Bearer <token>" https://<databricks-instance>/api/2.0/clusters/create -d '{
  "cluster_name": "<cluster-name>",
  "num_workers": 0,
  "node_type_id": "Standard_DS3_v2",
  "docker_image": {
    "url": "databricksruntime/standard:latest",
    "basic_auth": {
      "username": "<docker-registry-username>",
      "password": "<docker-registry-password>"
    }
  },
  "spark_version": "7.3.x-scala2.12",
}'
```
basic_auth 要求取决于你的 Docker 映像类型：
- 对于公共 Docker 映像，不要包括字段。
- 对于专用 Docker 映像，必须包括 basic_auth 字段，使用服务主体 ID 和密码作为用户名和密码。
- 对于 Azure 容器注册表，必须将 basic_auth 字段设置为服务主体的 ID 和密码。请参阅 Azure 容器注册表服务主体身份验证文档，了解如何创建服务主体。

使用初始化脚本

Databricks 容器服务使客户能够在 Docker 容器中包含 init 脚本。在大多数情况下，应避免使用初始化脚本，而应直接通过 Docker（使用 Dockerfile）进行自定义。但是，某些任务必须在容器启动时执行，而不是在构建容器时执行。请为这些任务使用初始化脚本。

例如，假设要在自定义容器中运行安全守护程序。通过映像生成管道在 Docker 映像中安装并生成守护程序。然后，添加启动守护程序的初始化脚本。在此示例中，初始化脚本将包含一个类似于 systemctl start my-daemon 的行。

在 API 中，可以将 init 脚本指定为计算规范的一部分，如下所示。有关详细信息，请参阅群集 API。

"init_scripts": [
    {
        "file": {
            "destination": "file:/my/local/file.sh"
        }
    }
]

对于 Databricks 容器服务映像，还可以将初始化脚本存储在云存储中。

启动使用 Databricks 容器服务的计算时，系统将执行以下步骤：

从云提供商处获取 VM。
从你的存储库中下载自定义 Docker 映像。
Azure Databricks 基于映像创建 Docker 容器。
Databricks Runtime 代码复制到 Docker 容器中。
执行 init 脚本。请参阅什么是 init 脚本？。

Azure Databricks 会忽略 Docker CMD 和 ENTRYPOINT 基元。

启用容器服务

若要在计算中使用自定义容器，工作区管理员必须启用 Databricks 容器服务。

工作区管理员可以使用工作区配置 API 启用 Databricks 容器服务。在 JSON 请求正文中将 enableDcs 指定为 true，如以下示例所示：

curl -X PATCH -n \
  https://<databricks-instance>/api/2.0/workspace-conf \
  -d '{
    "enableDcs": "true"
    }'