你当前正在访问 Microsoft Azure Global Edition 技术文档网站。如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。

快速入门：使用 Python 创建 Batch 池并运行作业

项目
03/01/2024

本快速入门通过运行一个使用适用于 Python 的 Azure Batch 库的应用，展示了如何开始使用 Azure Batch。该 Python 应用具有以下功能：

将多个输入数据文件上传到 Azure 存储 Blob 容器，以供用于 Batch 任务处理。
创建包含两个虚拟机 (VM) 或计算节点（均运行 Ubuntu 20.04 LTS OS）的池。
创建一个作业和三个任务，它们需要在节点上运行。每个任务都使用 Bash shell 命令行来处理一个输入文件。
显示各个任务返回的输出文件。

完成本快速入门后，你将了解 Batch 服务的关键概念，并准备好将 Batch 用于更现实、更大规模的工作负载。

先决条件

具有活动订阅的 Azure 帐户。如果你没有帐户，请免费创建一个。
Batch 帐户及其关联的 Azure 存储帐户。你可以使用以下任一方法创建这些帐户：Azure CLI | Azure 门户 | Bicep | ARM 模板 | Terraform。
Python 3.8 或更高版本，其中包括 pip 包管理器。

运行应用

为了完成本快速入门，请下载或克隆 Python 应用、提供帐户值、运行该应用并验证输出内容。

下载或克隆该应用

从 GitHub 下载或克隆 Azure Batch Python 快速入门应用。若要使用 Git 客户端克隆应用存储库，请使用以下命令：
```
git clone https://github.com/Azure-Samples/batch-python-quickstart.git
```
切换到“batch-python-quickstart/src”文件夹，使用 pip 安装所需的包。
```
pip install -r requirements.txt
```

提供帐户信息

Python 应用需要使用 Batch 和存储帐户名称、帐户密钥值以及 Batch 帐户终结点。你可以通过 Azure 门户、Azure API 或命令行工具获取这些信息。

若要从 Azure 门户获取帐户信息，请执行以下操作：

在 Azure 搜索栏中，搜索并选择你的 Batch 帐户名称。
在 Batch 帐户页面上，从左侧导航栏中选择“密钥”。
在“密钥”页面上，复制以下值：

批处理帐户
帐户终结点
主访问密钥
存储帐户名称
Key1

在下载的 Python 应用中，编辑 config.py 文件中的以下字符串，以提供复制的值。

BATCH_ACCOUNT_NAME = '<batch account>'
BATCH_ACCOUNT_KEY = '<primary access key>'
BATCH_ACCOUNT_URL = '<account endpoint>'
STORAGE_ACCOUNT_NAME = '<storage account name>'
STORAGE_ACCOUNT_KEY = '<key1>'

重要

在实际使用时，不建议在应用源代码中公开帐户密钥。正确的做法是限制对这些凭据的访问权限，通过使用变量或配置文件来在代码中引用它们。最好是将 Batch 和存储帐户密钥存储在 Azure 密钥保管库中。

运行该应用并查看输出内容

请运行该应用，以查看 Batch 工作流的运行情况。

python python_quickstart_client.py

典型的运行时间大约为三分钟。初始池节点设置花费的时间最多。

该应用将返回类似于以下示例的输出：

Sample start: 11/26/2012 4:02:54 PM

Uploading file taskdata0.txt to container [input]...
Uploading file taskdata1.txt to container [input]...
Uploading file taskdata2.txt to container [input]...
Creating pool [PythonQuickstartPool]...
Creating job [PythonQuickstartJob]...
Adding 3 tasks to job [PythonQuickstartJob]...
Monitoring all tasks for 'Completed' state, timeout in 00:30:00...

当池的计算节点启动时，会在 Monitoring all tasks for 'Completed' state, timeout in 00:30:00... 出现暂停。创建任务后，Batch 会将要在池中运行的任务排队。在第一个计算节点可用后，第一个任务将在该节点上运行。你可以从 Azure 门户中的 Batch 帐户页面监视节点、任务和作业状态。

每个任务完成后，都会显示类似于以下示例的输出：

Printing task output...
Task: Task0
Node: tvm-2850684224_3-20171205t000401z
Standard output:
Batch processing began with mainframe computers and punch cards. Today it still plays a central role...

查看代码

请查看代码，以了解 Azure Batch Python 快速入门中的步骤。

创建服务客户端并上传资源文件

该应用将创建一个 BlobServiceClient 对象，以便与存储帐户进行交互。

blob_service_client = BlobServiceClient(
        account_url=f"https://{config.STORAGE_ACCOUNT_NAME}.{config.STORAGE_ACCOUNT_DOMAIN}/",
        credential=config.STORAGE_ACCOUNT_KEY
    )

该应用将使用 blob_service_client 引用在存储帐户中创建容器，然后将数据文件上传到该容器。存储中的文件定义为 Batch ResourceFile 对象，Batch 随后可以将这些对象下载到计算节点。

input_file_paths = [os.path.join(sys.path[0], 'taskdata0.txt'),
                    os.path.join(sys.path[0], 'taskdata1.txt'),
                    os.path.join(sys.path[0], 'taskdata2.txt')]

input_files = [
    upload_file_to_container(blob_service_client, input_container_name, file_path)
    for file_path in input_file_paths]

该应用将创建一个 BatchServiceClient 对象，以便在 Batch 帐户中创建和管理池、作业和任务。该 Batch 客户端将使用共享密钥身份验证。 Batch 还支持 Microsoft Entra 身份验证。
```
credentials = SharedKeyCredentials(config.BATCH_ACCOUNT_NAME,
        config.BATCH_ACCOUNT_KEY)

    batch_client = BatchServiceClient(
        credentials,
        batch_url=config.BATCH_ACCOUNT_URL)
```

创建计算节点池

为了创建 Batch 池，该应用使用 PoolAddParameter 类来设置节点数、VM 大小和池配置。下面的 VirtualMachineConfiguration 对象指定了对 Ubuntu Server 20.04 LTS Azure 市场映像的 ImageReference。 Batch 支持 Azure 市场中的各种 Linux 和 Windows Server 映像以及自定义 VM 映像。

POOL_NODE_COUNT 和 POOL_VM_SIZE 是定义的常量。此示例创建的池包含 2 个大小为 Standard_DS1_v2 的节点。就此快速入门而言，此节点大小在性能与成本之间达成了很好的平衡。

pool.add 方法将池提交到 Batch 服务。

new_pool = batchmodels.PoolAddParameter(
        id=pool_id,
        virtual_machine_configuration=batchmodels.VirtualMachineConfiguration(
            image_reference=batchmodels.ImageReference(
                publisher="canonical",
                offer="0001-com-ubuntu-server-focal",
                sku="20_04-lts",
                version="latest"
            ),
            node_agent_sku_id="batch.node.ubuntu 20.04"),
        vm_size=config.POOL_VM_SIZE,
        target_dedicated_nodes=config.POOL_NODE_COUNT
    )
    batch_service_client.pool.add(new_pool)

创建 Batch 作业

Batch 作业是对一个或多个任务进行逻辑分组。该作业包含这些任务的公用设置，例如优先级以及运行任务的池。

该应用使用 JobAddParameter 类在池中创建作业。 job.add 方法会将作业添加到指定的 Batch 帐户。作业一开始没有任务。

job = batchmodels.JobAddParameter(
    id=job_id,
    pool_info=batchmodels.PoolInformation(pool_id=pool_id))

batch_service_client.job.add(job)

创建任务

Batch 提供了多种将应用和脚本部署到计算节点的方式。此应用使用 TaskAddParameter 类创建了任务对象的列表。每个任务都将使用 command_line 参数来指定应用或脚本，从而处理输入文件。

以下脚本将通过运行 Bash shell resource_files 命令来显示文本文件，从而处理输入 cat 对象。然后，该应用使用 task.add_collection 方法将每个任务添加到作业，后者会将要在计算节点上运行的任务排队。

tasks = []

for idx, input_file in enumerate(resource_input_files):
    command = f"/bin/bash -c \"cat {input_file.file_path}\""
    tasks.append(batchmodels.TaskAddParameter(
        id=f'Task{idx}',
        command_line=command,
        resource_files=[input_file]
    )
    )

batch_service_client.task.add_collection(job_id, tasks)

查看任务输出

此应用监视任务状态，确保任务完成。每个任务成功运行后，都会将任务命令输出写入 stdout.txt 文件。然后，应用会显示每个已完成任务的 stdout.txt 文件。

tasks = batch_service_client.task.list(job_id)

for task in tasks:

    node_id = batch_service_client.task.get(job_id, task.id).node_info.node_id
    print(f"Task: {task.id}")
    print(f"Node: {node_id}")

    stream = batch_service_client.file.get_from_task(
        job_id, task.id, config.STANDARD_OUT_FILE_NAME)

    file_text = _read_stream_as_string(
        stream,
        text_encoding)

    if text_encoding is None:
        text_encoding = DEFAULT_ENCODING

    sys.stdout = io.TextIOWrapper(sys.stdout.detach(), encoding = text_encoding)
    sys.stderr = io.TextIOWrapper(sys.stderr.detach(), encoding = text_encoding)

    print("Standard output:")
    print(file_text)

清理资源

应用自动删除所创建的存储容器，并允许你选择是否删除 Batch 池和作业。池和节点会在节点运行时产生费用，即使它们未运行作业也是如此。不再需要相应池时，请将其删除。

不再需要 Batch 资源时，可以删除包含这些资源的资源组。在 Azure 门户，选择资源组页面顶部的“删除资源组”。在“删除资源组”屏幕上，输入资源组名称，然后选择“删除”。

后续步骤

在本快速入门中，你运行了一个应用，该应用使用了 Batch Python API 来创建 Batch 池、节点、作业和任务。作业将资源文件上传到存储容器，在节点上运行任务，并显示来自节点的输出。

现在你已经了解了 Batch 服务的关键概念，可以将 Batch 用于更现实、更大规模的工作负载了。若要详细了解 Azure Batch 并使用实际的应用程序来演练并行工作负载，请继续学习 Batch Python 教程。

使用 Python 处理并行工作负荷

通过