顶点AI管道中的数据读取

Question

这是我第一次使用谷歌的顶点AI管道。我检查了这码标以及这个职位和这个职位，在一些从正式文件派生的链接之上。在一个玩具例子中，我决定让所有的知识都发挥作用:我计划构建一个由两个组件组成的管道："get- data“(它读取存储在云存储中的一些.csv文件)和”report“(基本上返回在前面组件中读取的.csv数据的形状)。此外，我谨慎地将几点建议包括在这个论坛中。我目前的代码如下：

from kfp.v2 import compiler
from kfp.v2.dsl import pipeline, component, Dataset, Input, Output
from google.cloud import aiplatform

# Components section   

@component(
    packages_to_install=[
        "google-cloud-storage",
        "pandas",
    ],
    base_image="python:3.9",
    output_component_file="get_data.yaml"
)
def get_data(
    bucket: str,
    url: str,
    dataset: Output[Dataset],
):
    import pandas as pd
    from google.cloud import storage
    
    storage_client = storage.Client("my-project")
    bucket = storage_client.get_bucket(bucket)
    blob = bucket.blob(url)
    blob.download_to_filename('localdf.csv')
    
    # path = "gs://my-bucket/program_grouping_data.zip"
    df = pd.read_csv('localdf.csv', compression='zip')
    df['new_skills'] = df['new_skills'].apply(ast.literal_eval)
    df.to_csv(dataset.path + ".csv" , index=False, encoding='utf-8-sig')


@component(
    packages_to_install=["pandas"],
    base_image="python:3.9",
    output_component_file="report_data.yaml"
)
def report_data(
    inputd: Input[Dataset],
):
    import pandas as pd
    df = pd.read_csv(inputd.path)
    return df.shape


# Pipeline section

@pipeline(
    # Default pipeline root. You can override it when submitting the pipeline.
    pipeline_root=PIPELINE_ROOT,
    # A name for the pipeline.
    name="my-pipeline",
)
def my_pipeline(
    url: str = "test_vertex/pipeline_root/program_grouping_data.zip",
    bucket: str = "my-bucket"
):
    dataset_task = get_data(bucket, url)

    dimensions = report_data(
        dataset_task.output
    )

# Compilation section

compiler.Compiler().compile(
    pipeline_func=my_pipeline, package_path="pipeline_job.json"
)

# Running and submitting job

from datetime import datetime

TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")

run1 = aiplatform.PipelineJob(
    display_name="my-pipeline",
    template_path="pipeline_job.json",
    job_id="mlmd-pipeline-small-{0}".format(TIMESTAMP),
    parameter_values={"url": "test_vertex/pipeline_root/program_grouping_data.zip", "bucket": "my-bucket"},
    enable_caching=True,
)

run1.submit()

我很高兴看到编译的管道没有任何错误，并设法提交了作业。然而，“我的幸福持续时间很短”，比如当我去顶点AI管道时，我偶然发现了一些“错误”，比如：

由于某些任务失败，DAG失败。失败的任务是: get-data.；作业(project_id = my-project，job_id = 4290278978419163136)由于上述错误而失败。；未能处理作业：{project_number = xxxxxxxx，job_id = 4290278978419163136}

我没有在网上找到任何相关的信息，也没有找到任何日志或类似的东西，我觉得有点不知所措，这个(看似)简单的例子的解决方案，仍然在逃避我。

很明显，我不知道我在哪里搞错了什么。有什么建议吗？

Answer 1

在评论中提供了一些建议，我认为我成功地使我的演示管道工作。我将首先包括更新的代码：

from kfp.v2 import compiler
from kfp.v2.dsl import pipeline, component, Dataset, Input, Output
from datetime import datetime
from google.cloud import aiplatform
from typing import NamedTuple


# Importing 'COMPONENTS' of the 'PIPELINE'

@component(
    packages_to_install=[
        "google-cloud-storage",
        "pandas",
    ],
    base_image="python:3.9",
    output_component_file="get_data.yaml"
)
def get_data(
    bucket: str,
    url: str,
    dataset: Output[Dataset],
):
    """Reads a csv file, from some location in Cloud Storage"""
    import ast
    import pandas as pd
    from google.cloud import storage
    
    # 'Pulling' demo .csv data from a know location in GCS
    storage_client = storage.Client("my-project")
    bucket = storage_client.get_bucket(bucket)
    blob = bucket.blob(url)
    blob.download_to_filename('localdf.csv')
    
    # Reading the pulled demo .csv data
    df = pd.read_csv('localdf.csv', compression='zip')
    df['new_skills'] = df['new_skills'].apply(ast.literal_eval)
    df.to_csv(dataset.path + ".csv" , index=False, encoding='utf-8-sig')


@component(
    packages_to_install=["pandas"],
    base_image="python:3.9",
    output_component_file="report_data.yaml"
)
def report_data(
    inputd: Input[Dataset],
) -> NamedTuple("output", [("rows", int), ("columns", int)]):
    """From a passed csv file existing in Cloud Storage, returns its dimensions"""
    import pandas as pd
    
    df = pd.read_csv(inputd.path+".csv")
    
    return df.shape


# Building the 'PIPELINE'

@pipeline(
    # i.e. in my case: PIPELINE_ROOT = 'gs://my-bucket/test_vertex/pipeline_root/'
    # Can be overriden when submitting the pipeline
    pipeline_root=PIPELINE_ROOT,
    name="readcsv-pipeline",  # Your own naming for the pipeline.
)
def my_pipeline(
    url: str = "test_vertex/pipeline_root/program_grouping_data.zip",
    bucket: str = "my-bucket"
):
    dataset_task = get_data(bucket, url)

    dimensions = report_data(
        dataset_task.output
    )
    

# Compiling the 'PIPELINE'    

compiler.Compiler().compile(
    pipeline_func=my_pipeline, package_path="pipeline_job.json"
)


# Running the 'PIPELINE'

TIMESTAMP = datetime.now().strftime("%Y%m%d%H%M%S")

run1 = aiplatform.PipelineJob(
    display_name="my-pipeline",
    template_path="pipeline_job.json",
    job_id="mlmd-pipeline-small-{0}".format(TIMESTAMP),
    parameter_values={
        "url": "test_vertex/pipeline_root/program_grouping_data.zip",
        "bucket": "my-bucket"
    },
    enable_caching=True,
)

# Submitting the 'PIPELINE'

run1.submit()

现在，我要补充一些补充意见，总之，这些评论设法解决了我的问题：

• 首先，为用户启用“logging.viewer”(角色/日志查看器)，将极大地帮助解决管道中的任何现有错误(注意:该角色对我有效，但是您可能希望为自己的目的寻找更好的匹配角色这里)。这些错误将显示为“日志”，可以通过单击相应的按钮来访问：

​

​

• 注意:在上面的图片中，当显示“日志”时，仔细检查每个日志(接近您创建管道的时间)可能会有帮助，因为通常每个日志对应于一个警告或错误行：

​

​

• 其次，我的管道输出是一个元组。在我最初的方法中，我只是返回普通元组，但是建议它返回一个NamedTuple。通常，如果您需要输入/输出一个或多个“小值”(int或str，由于任何原因)，请选择一个NamedTuple。
• 第三，当管道之间的连接是Input[Dataset]或Ouput[Dataset]时，需要添加文件扩展名(而且很容易忘记)。例如，以get_data组件的输出为例，注意如何通过具体添加文件扩展名(即dataset.path + ".csv" )来记录数据。

当然，这是一个非常小的例子，项目可以很容易地扩展到巨大的项目，然而，作为某种"Hello管道“，它将很好地工作。

谢谢。

Answer 2

谢谢你的来信。很有帮助！我也犯了同样的错误，但结果是有不同的原因，所以在这里注意到.在我的管道定义步骤中，我有以下参数..。

“”“

def my_pipeline(bq_source_project: str = BQ_SOURCE_PROJECT,  
                    bq_source_dataset: str = BQ_SOURCE_DATASET,  
                    bq_source_table: str = BQ_SOURCE_TABLE,  
                    output_data_path: str = "crime_data.csv"):

“”“

我的错误是当我运行管道时，没有输入相同的参数。下面是固定版本..。“”“

job = pipeline_jobs.PipelineJob(  
project=PROJECT_ID,  
      location=LOCATION,  
      display_name=PIPELINE_NAME,  
      job_id=JOB_ID,  
      template_path=FILENAME,  
      pipeline_root=PIPELINE_ROOT,  
      parameter_values={'bq_source_project': BQ_SOURCE_PROJECT,  
                          'bq_source_dataset': BQ_SOURCE_DATASET,  
                          'bq_source_table': BQ_SOURCE_TABLE}  

“”“