En este instructivo, se explica cómo ejecutar un
Canalización dsub
en Batch.
Específicamente, la canalización dsub
de ejemplo procesa datos de secuenciación de ADN en un
Archivo del mapa de alineación binaria (BAM)
para crear un archivo de índice BAM (BAI).
Este instructivo está dirigido a los usuarios de Batch que deseen
dsub
con Batch.
dsub
es un programador de trabajos de código abierto
para organizar flujos de trabajo de procesamiento por lotes en Google Cloud.
Para obtener más información sobre cómo usar Batch con dsub
, consulta la documentación de dsub
para Batch.
Objetivos
- Ejecuta una canalización
dsub
en Batch que lea y escriba archivos en buckets de Cloud Storage. - Ver los archivos de salida en un bucket de Cloud Storage
Costos
En este documento, usarás los siguientes componentes facturables de Google Cloud:
- Batch
- Cloud Storage
Para generar una estimación de costos en función del uso previsto, usa la calculadora de precios.
Los recursos creados en este instructivo suelen costar menos de un dólar, suponiendo que completes todos los pasos, incluida la limpieza, de manera oportuna.
Antes de comenzar
- Accede a tu cuenta de Google Cloud. Si eres nuevo en Google Cloud, crea una cuenta para evaluar el rendimiento de nuestros productos en situaciones reales. Los clientes nuevos también obtienen $300 en créditos gratuitos para ejecutar, probar y, además, implementar cargas de trabajo.
- Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
-
Create or select a Google Cloud project.
-
Create a Google Cloud project:
gcloud projects create PROJECT_ID
Replace
PROJECT_ID
with a name for the Google Cloud project you are creating. -
Select the Google Cloud project that you created:
gcloud config set project PROJECT_ID
Replace
PROJECT_ID
with your Google Cloud project name.
-
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
-
Enable the Batch, Cloud Storage, Compute Engine, and Logging APIs:
gcloud services enable batch.googleapis.com
compute.googleapis.com logging.googleapis.com storage.googleapis.com - Install the Google Cloud CLI.
-
To initialize the gcloud CLI, run the following command:
gcloud init
-
Create or select a Google Cloud project.
-
Create a Google Cloud project:
gcloud projects create PROJECT_ID
Replace
PROJECT_ID
with a name for the Google Cloud project you are creating. -
Select the Google Cloud project that you created:
gcloud config set project PROJECT_ID
Replace
PROJECT_ID
with your Google Cloud project name.
-
-
Asegúrate de que la facturación esté habilitada para tu proyecto de Google Cloud.
-
Enable the Batch, Cloud Storage, Compute Engine, and Logging APIs:
gcloud services enable batch.googleapis.com
compute.googleapis.com logging.googleapis.com storage.googleapis.com -
Asegúrate de que tu proyecto tenga al menos una cuenta de servicio con el los permisos necesarios para este instructivo.
Cada trabajo requiere una cuenta de servicio que permita Agente de servicio por lotes para crear y acceder a los recursos necesarias para ejecutar el trabajo. En este instructivo, la cuenta de servicio del trabajo es el Cuenta de servicio predeterminada de Compute Engine.
Para asegurarte de que la cuenta de servicio predeterminada de Compute Engine tenga permisos para permitir que el agente de servicio de Batch cree recursos y acceda a ellos para trabajos de Batch solicita a tu administrador que otorgue a la cuenta de servicio predeterminada de Compute Engine el los siguientes roles de IAM:
-
Informes del agente por lotes (
roles/batch.agentReporter
) en el proyecto -
Administrador de almacenamiento (
roles/storage.admin
) en el proyecto -
Permite que los trabajos generen registros en Cloud Logging (recomendado):
Escritor de registros (
roles/logging.logWriter
) en el proyecto
Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso a proyectos, carpetas y organizaciones.
Es posible que tu administrador también pueda otorgar los permisos necesarios a la cuenta de servicio predeterminada de Compute Engine a través de roles personalizados o con otros roles predefinidos.
-
Informes del agente por lotes (
-
Asegúrate de tener los permisos necesarios para este instructivo.
A fin de obtener los permisos que necesitas para completar este instructivo, haz lo siguiente: solicita a tu administrador que te otorgue el los siguientes roles de IAM:
-
Editor de trabajos por lotes (
roles/batch.jobsEditor
) en el proyecto -
Usuario de cuenta de servicio (
roles/iam.serviceAccountUser
) en la cuenta de servicio del trabajo, que, en este instructivo, es la cuenta de servicio predeterminada de Compute Engine -
Administrador de objetos de almacenamiento (
roles/storage.objectAdmin
) en el proyecto
-
Editor de trabajos por lotes (
-
Instala
dsub
y sus dependencias. Para obtener más información, consulta la Documentación de instalación dedsub
.Asegúrate de tener instaladas las versiones de Python y pip. compatibles con la versión más reciente de
dsub
. Para ver las versiones instaladas actualmente, ejecuta el siguiente comando:pip --version
Si necesitas instalar o actualizar
pip
o Python, sigue los pasos para instalar Python.Opción recomendada: Para evitar errores de conflicto de dependencias cuando instales
dsub
, crea y activa un entorno virtual de Python:python -m venv dsub_libs && source dsub_libs/bin/activate
Clona el repositorio de GitHub de
dsub
congit
y ábrelo:git clone https://github.com/databiosphere/dsub.git && cd dsub
Instala
dsub
y sus dependencias:python -m pip install .
El resultado es similar a este:
... Successfully installed cachetools-5.3.1 certifi-2023.7.22 charset-normalizer-3.3.1 dsub-0.4.9 funcsigs-1.0.2 google-api-core-2.11.0 google-api-python-client-2.85.0 google-auth-2.17.3 google-auth-httplib2-0.1.0 google-cloud-batch-0.10.0 googleapis-common-protos-1.61.0 grpcio-1.59.0 grpcio-status-1.59.0 httplib2-0.22.0 idna-3.4 mock-4.0.3 parameterized-0.8.1 proto-plus-1.22.3 protobuf-4.24.4 pyasn1-0.4.8 pyasn1-modules-0.2.8 pyparsing-3.1.1 python-dateutil-2.8.2 pytz-2023.3 pyyaml-6.0 requests-2.31.0 rsa-4.9 six-1.16.0 tabulate-0.9.0 tenacity-8.2.2 uritemplate-4.1.1 urllib3-2.0.7
Cree un bucket de Cloud Storage
Crear un bucket de Cloud Storage para almacenar los archivos de salida del
canalización de muestra dsub
con gcloud CLI, ejecuta
Comando gcloud storage buckets create
:
gcloud storage buckets create gs://BUCKET_NAME \
--project PROJECT_ID
Reemplaza lo siguiente:
BUCKET_NAME
: Un nombre único a nivel global para tu bucket.PROJECT_ID
: el ID del proyecto de tu proyecto de Google Cloud.
El resultado es similar a este:
Creating gs://BUCKET_NAME/...
Ejecuta la canalización dsub
La canalización dsub
de muestra indexa un archivo BAM del
Proyecto 1,000 Genomes
y envía los resultados a un bucket de Cloud Storage.
Para ejecutar la canalización de dsub
de ejemplo, ejecuta el siguiente comando dsub
:
dsub \
--provider google-batch \
--project PROJECT_ID \
--logging gs://BUCKET_NAME/WORK_DIRECTORY/logs \
--input BAM=gs://genomics-public-data/1000-genomes/bam/HG00114.mapped.ILLUMINA.bwa.GBR.low_coverage.20120522.bam \
--output BAI=gs://BUCKET_NAME/WORK_DIRECTORY/HG00114.mapped.ILLUMINA.bwa.GBR.low_coverage.20120522.bam.bai \
--image quay.io/cancercollaboratory/dockstore-tool-samtools-index \
--command 'samtools index ${BAM} ${BAI}' \
--wait
Reemplaza lo siguiente:
PROJECT_ID
: el ID del proyecto de tu proyecto de Google Cloud.BUCKET_NAME
: Es el nombre de Cloud Storage. bucket que creaste.WORK_DIRECTORY
: Es el nombre de un elemento nuevo. que la canalización puede usar para almacenar registros y resultados. Por ejemplo, ingresaworkDir
.
La canalización dsub
ejecuta un
Trabajo por lotes que escribe el archivo BAI
y registros en el directorio especificado
de tu bucket de Cloud Storage.
Específicamente, el repositorio dsub
contiene un Docker compilado previamente
imagen que usa samtools
para indexar
archivo BAM que especificaste en la marca --input
.
El comando no finaliza hasta que se termina de ejecutar la canalización de dsub
, que puede variar según el momento en que se programe el trabajo por lotes.
Por lo general, este proceso tarda alrededor de 10 minutos; por lo general, el lote comienza
y ejecutar el trabajo en pocos minutos
y su tiempo de ejecución es de unos 8 minutos.
Al principio, el comando sigue ejecutándose y el resultado es similar al siguiente:
Job properties:
job-id: JOB_NAME
job-name: samtools
user-id: USERNAME
Provider internal-id (operation): projects/PROJECT_ID/locations/us-central1/jobs/JOB_NAME
Launched job-id: JOB_NAME
To check the status, run:
dstat --provider google-batch --project PROJECT_ID --location us-central1 --jobs 'JOB_NAME' --users 'USERNAME' --status '*'
To cancel the job, run:
ddel --provider google-batch --project PROJECT_ID --location us-central1 --jobs 'JOB_NAME' --users 'USERNAME'
Waiting for job to complete...
Waiting for: JOB_NAME.
Después de que el trabajo se completa con éxito, el comando finaliza y la salida es similar a lo siguiente:
JOB_NAME: SUCCESS
JOB_NAME
En esta salida, se incluyen los siguientes valores:
JOB_NAME
: Es el nombre del trabajo.USERNAME
: Es tu nombre de usuario de Google Cloud.PROJECT_ID
: el ID del proyecto de tu proyecto de Google Cloud.
Cómo ver los archivos de salida
Para ver los archivos de salida que creó la canalización dsub
de muestra mediante la
en gcloud CLI, ejecuta
Comando gcloud storage ls
:
gcloud storage ls gs://BUCKET_NAME/WORK_DIRECTORY \
--project PROJECT_ID
Reemplaza lo siguiente:
BUCKET_NAME
: Es el nombre de Cloud Storage. bucket que creaste.WORK_DIRECTORY
: El directorio que especificaste en el comandodsub
.PROJECT_ID
: el ID del proyecto de tu proyecto de Google Cloud.
El resultado es similar a este:
gs://BUCKET_NAME/WORK_DIRECTORY/HG00114.mapped.ILLUMINA.bwa.GBR.low_coverage.20120522.bam.bai
gs://BUCKET_NAME/WORK_DIRECTORY/logs/
En este resultado, se incluye el archivo BAI y un directorio que contiene los registros del trabajo.
Limpia
Para evitar que se apliquen cargos a tu cuenta de Google Cloud por los recursos usados en este instructivo, borra el proyecto que contiene los recursos o conserva el proyecto y borra los recursos individuales.
Borra el proyecto
La manera más fácil de eliminar la facturación es borrar el proyecto actual.
Borra un proyecto de Google Cloud:
gcloud projects delete PROJECT_ID
Borra los recursos individuales
Si quieres seguir usando el proyecto actual, borra el proyecto recursos que se usan en este instructivo.
Borra el bucket
Cuando la canalización termina de ejecutarse, crea y almacena archivos de salida en la
Directorio WORK_DIRECTORY
de tu Cloud Storage
bucket.
Para reducir los cargos de Cloud Storage en la cuenta de Google Cloud actual, haz una de las siguientes acciones:
Si ya no necesitas el bucket que usaste en este instructivo, usa el comando
gcloud storage rm
con la marca--recursive
para borrar el bucket y todo su contenido:gcloud storage rm gs://BUCKET_NAME \ --recursive \ --project PROJECT_ID
Reemplaza lo siguiente:
BUCKET_NAME
: Es el nombre de Cloud Storage. bucket que creaste.PROJECT_ID
: El ID del proyecto de tu proyecto de Google Cloud.
De lo contrario, si aún necesitas el bucket, usa el El comando
gcloud storage rm
con el--recursive
para borrar solo el DirectorioWORK_DIRECTORY
y todo su contenido:gcloud storage rm gs://BUCKET_NAME/WORK_DIRECTORY \ --recursive \ --project PROJECT_ID
Reemplaza lo siguiente:
BUCKET_NAME
: Es el nombre de Cloud Storage. bucket que creaste.WORK_DIRECTORY
: El directorio que especificadas en el comandodsub
.PROJECT_ID
: El ID del proyecto de tu proyecto de Google Cloud.
Borra el trabajo
Para borrar un trabajo con gcloud CLI, ejecuta el comando
Comando gcloud batch jobs delete
gcloud batch jobs delete JOB_NAME \
--location us-central1 \
--project PROJECT_ID
Reemplaza lo siguiente:
JOB_NAME
: Es el nombre del trabajo.PROJECT_ID
: el ID del proyecto de tu proyecto de Google Cloud.
¿Qué sigue?
- Más información sobre
dsub
ydsub
para Batch. - Obtén más información para usar volúmenes de almacenamiento con Batch.