概要

あるところからデータの塊を取ってきて何らかの解析にかけたい．それらを GCP (Google Cloud Platform) で行いたいが，インスタンスの設定やファイルのダウンロード，アップロードが面倒．そんな時に使える Dockerコンテナイメージを作った．

なお，ここでの処理は，毎日ログデータを深夜に処理するなどのバッチ処理を考える．ストリーム処理には向かない．

Roadie-GCP

GCP でプログラムを実行する時に使える補助コンテナ．必要なファイル，処理内容，実行結果の保存先などをまとめた YAML スクリプトファイルを渡せば後はうまくやってくれる．なおベースイメージは Ubuntu である．

スクリプトファイル名が conf.yaml の場合，実行方法は次の通り．

$ docker run -i jkawamoto/roadie-gcp < conf.yml

なお，このコンテナは実行が終わり，結果をアップロードし終わるとインスタンスを削除する．そのため，インスタンスの作成時に https://www.googleapis.com/auth/compute スコープを指定する必要がある．この挙動を変える場合には --no-shutdown オプションを指定する．

スクリプトファイル

スクリプトファイル conf.yaml は apt, source, data, run, result, upload の６要素を定義するYAML ファイル．それぞれ，プログラム実行に必要な apt パッケージ，プログラムのソースファイル，プログラムの実行に必要なデータファイル，プログラム実行手順，実行結果の保存先，そして実行結果のファイルパターンを定義する．script.yml は次のような形になる．

script.yml

apt:
- unrar
source: https://github.com/abcdefg/some-program.git
data:
- http://mmnet.iis.sinica.edu.tw/dl/wowah/wowah.rar
run:
- unrar x -r wowah.rar
- ./analyze WoWAH
result: gs://somebucket/
upload:
- "*.png"

このスクリプトファイルは，次のことを指示している．

apt-get で unrar パッケージをインストールする．
GitHub からソースコードをダウンロードする．
プログラムの実行に必要なファイルをウェブから取得する．
次の二つのコマンドを実行する．
- unrar で取得したファイルを解凍．
- 自前の解析プログラムを実行する．
Google Cloud Storage のバケットを出力の保存先として設定する．
解析プログラムが作成した *.png ファイルを (5) で設定したバケットにアップロードする．

apt

apt 要素では，apt-get でインストールするパッケージのリストを指定する．特にインストールすべきパッケージがない場合は省略可．

source

source 要素には，実行するプログラムのソース URL を指定する．URLは次の形式をサポートしている．

URLが .git で終わっていれば，Gitリポジトリと判断してクローンする．
URLが dropbox:// で始まっていれば， Dropbox からダウンロードする．この URL は Dropbox のパブリックリンクの先頭を https:// から dropbox:// に変えたものになる．
URLが gs:// から始まっていれば，Cloud Storage からダウンロードする．
それ以外では，http:// と https:// をサポートする．

どの場合でも，URLが .zip, .tar, .tar.gz で終わっていれば適切に解凍される．ダウンロードしたソースは /data に展開される．

data

data 要素では，実行前に取得するファイルをリスト形式で記述する．リストの各要素は，URL:保存先 の形をとる．
URLスキームには，http, https の他 Google Cloud Storage を表す gs，Dropboxの公開リンクを表す dropbox が使用できる．

保存先には絶対パス，相対パスどちらも使用できる．パスが / で終わっている場合は，指定されたディレクトリ内にURLが示すファイル名で保存する．逆に，パスが / で終わっていない場合は，当該ファイル名に変更して保存する．

なお，デフォルトのディレクトリは /data である．

data:
- http://sample.com/input.json
- gs://a-project/input/data:/tmp/

上記の例では，http://sample.com/input.json を /data/input.json として保存し，Cloud Storage の a-project バケットにあるオブジェクト input/data を /tmp/data として保存する．

最終的に保存されるファイルの拡張子が .zip, .tar, .tar.gz の場合，展開される．この挙動を変える場合，--no-unzip オプションを使用する．

run

実行するコマンドのリスト．上から順に実行していく．

各コマンドの標準出力は記録される．先頭コマンドの標準出力は stdout0.txt，次のコマンドの標準出力は stdout1.txt というように番号付けられ，result で指定した場所へ保存される．標準エラー出力はコンテナの標準出力としてコンテナ外に出力される．したがって，処理結果など記録しておくべきものは標準出力に，実行時のログなどは標準エラー出力に書き出せば良い．

なお，標準出力の結果は /tmp/ に保存されるので，他のプログラムから利用することもできる．次の例は，/tmp/data を引数に run.sh を実行し，その標準出力の結果 /tmp/stdout0.txt を引数に次のコマンド plot.sh を実行している．

run:
- ./run.sh /tmp/data
- ./plot.sh /tmp/stdout0.txt

なお，apt パッケージ以外でプログラムの実行に必要なパッケージがある場合は，run セクションに書けば良い．

result

result セクションには，Cloud Storage の URL を指定する．そこに標準出力及び upload セクションで指定したファイルがアップロードされる．

upload

upload セクションには，Globパターンのリストを指定できる．ここで指定したパターンのいずれかにマッチしたファイルも，実行結果として result セクションで指定した Cloud Storage のバケットへアップロードされる．

result: gs://a-project/result/
upload:
- "*.out"

上記の例では，gs://a-project/result/ に stdout0.txt，stdout1.txt に加えて /data/*.out にマッチするファイルもアップロードする．

Roadie-GCP イメージの拡張

実行するプログラムの準備や必要なライブラリのインストールは，apt や data, run を使えば行える．しかし，毎回同じ処理を行う場合，準備済みの Docker イメージを作成しておく方が早い．

例えば，次のような Dockerfile でイメージを作っておけば再利用しやすい．

Dockerfile

FROM jkawamoto/roadie-gcp

# NumPy, SciPy, Matplotlib のインストール
RUN apt-get update && \
    apt-get install -y python-numpy python-scipy python-matplotlib

# matplotlib の設定
RUN mkdir -p /root/.config/matplotlib && \
    echo "backend: Agg" >> /root/.config/matplotlib/matplotlibrc

# 実行ファイルをコピー
ADD some_dir /root/

GCP インスタンスの作成と Roadie-GCP の実行

gcloud コマンドを使ってインスタンスを作成し実行する．Roadie-GCP イメージを拡張した jkawamoto/run というイメージが dockerhub にあるとする．

まず，script.yml を出力するスタートアップスクリプトを用意する．

startup.sh

#!/bin/bash
cd /root

cat <<EOF > script.yml
apt:
- unrar
source: https://github.com/abcdefg/some-program.git
data:
- http://mmnet.iis.sinica.edu.tw/dl/wowah/wowah.rar
run:
- unrar x -r wowah.rar
- ./analyze WoWAH
result: gs://somebucket/
upload:
- *.png
EOF

docker run -i jkawamoto/running < conf.yml

次に，gcloud コマンドでインスタンスを作成する．

$ gcloud compute --project "your_project_name" instances create "some_name" \
   　--zone us-central1-b --image coreos --metadata-from-file startup-script="./startup.sh" \
  　 --machine-type "n1-standard-1" \
  　 --scopes=https://www.googleapis.com/auth/compute,https://www.googleapis.com/auth/devstorage.read_write

結果を Cloud Storage にアップロードし，インスタンスを削除するために，

の権限が必要になる．

おわりに

Roadie-GCP を使えば，比較的簡単にバッチ処理が行えると思う．特に処理が終わったらインスタンスを削除させるので，無駄にコストを払わなくて済む．

もっと自動化するためには，スタートアップスクリプトを自動生成したり，コンテナのログを Cloud Logging へ投げることも考える必要がある．それらを代わりに行ってくれるアプリケーションも作成してある．
このアプリについては別の記事にまとめようと思う．

GoogleCloudPlatformで単発処理を行うDockerコンテナ

概要