在 GCP 上使用 python numpy 和 pandas 部署小批量作业

Question

我有一个小的日常计算工作，从 BigQuery 导入数据，使用 Python 数值计算库（pandas、numpy）来处理然后将结果写入外部表（另一个项目中的 Firestore 或 MySQL）在 GCP 上部署它的推荐方法是什么？我们的 devops 建议我们不要仅仅为了批处理作业而创建单个 vm。他们不希望自己管理 VM 基础架构，并且应该有支持批处理作业的服务。他们坚持让我使用 Dataflow。但我认为 Dataflow 的分布式特性有点矫枉过正。非常感谢，2019 年 10 月 14 日更新：我正在考虑将批处理作业 docker 化并部署到 K8 集群。缺点是集群应该托管多个作业以值得设置和维护工作。有人可以就这种方法的可行性和适用性给我建议吗？2019 年 10 月 15 日更新：感谢 Alex Titov 在https://googlecloud-community.slack.com/archives/C0G6VB4UE/p1571032864020000发表评论。根据他的建议，我将把我的工作分解成多个小的 Cloud Functions 组件，并通过 Cloud Scheduler 和/或 Cloud Composer 将它们作为管道链接在一起。

Answer 1

Cloud Dataflow完全符合您的要求，因此它比 VM 更容易管理、扩展和构建。事先只问自己几个问题，如果它们不适用，请使用 Dataflow：

• 我是否希望仅限于特定的云提供商（在这种情况下为 GCP）

• 在这个项目中，是否使用了其他云服务，或者它们只是使用来自云的基础设施（保持一致性）。另外，我们希望项目朝着什么方向发展？（使用自定义或云解决方案）

• 我想要绝对控制这个批处理软件处理工具吗？如果是这样，您可能没有 Dataflow

• 其他考虑因素，例如成本、部署时间、启动时间

如果所有答案都倾向于云服务，那么就使用它。

Answer 2

如果您将您的工作容器化，则有 2 个无服务器解决方案可以运行它。一天，当 Cloud Run 可以持续超过 15 分钟时，将提供第三个（在路线图中，但没有发布日期）

1. 使用云构建。考虑正确设置超时。事实上，Cloud Build 是为运行任何容器而设计的。我为此写了一篇文章

2. 使用人工智能平台。一位（伟大的）谷歌员工发表了一篇关于此的文章

这两种解决方案都很棒，您可以选择运行容器的底层 VM 的机器类型。多亏了这一点，您不必管理 K8S 集群并在不使用时为其付费。