如何在YARN Spark作业中设置环境变量？

Question

我试图访问Accumulo
1.6
从Apache的星火使用的作业（Java编写的）AccumuloInputFormat用newAPIHadoopRDD。为了做到这一点，我必须AccumuloInputFormat通过调用该setZooKeeperInstance方法来告知在哪里定位ZooKeeper
。此方法采用一个ClientConfiguration对象，该对象指定各种相关属性。

我ClientConfiguration通过调用静态loadDefault方法来创建对象。该方法应该在各个位置查找client.conf文件以从中加载其默认值。它应该看的地方之一是$ACCUMULO_CONF_DIR/client.conf。

因此，我试图以ACCUMULO_CONF_DIR这样的方式设置环境变量，使其在Spark运行作业时可见（作为参考，我试图在yarn- cluster部署模式下运行）。我尚未找到成功完成此操作的方法。

到目前为止，我已经尝试过：

• 调用setExecutorEnv("ACCUMULO_CONF_DIR", "/etc/accumulo/conf")上SparkConf
• 出口ACCUMULO_CONF_DIR在spark-env.sh
• 设置spark.executorEnv.ACCUMULO_CONF_DIR在spark-defaults.conf

他们都没有工作。在调用之前打印环境时setZooKeeperInstance，ACCUMULO_CONF_DIR不会出现。

如果相关，我将使用所有内容的CDH5版本。

这是我要执行的操作的示例（为简洁起见，省略了导入和异常处理）：

public class MySparkJob
{
    public static void main(String[] args)
    {
        SparkConf sparkConf = new SparkConf();
        sparkConf.setAppName("MySparkJob");
        sparkConf.setExecutorEnv("ACcUMULO_CONF_DIR", "/etc/accumulo/conf");
        JavaSparkContext sc = new JavaSparkContext(sparkConf);
        Job accumuloJob = Job.getInstance(sc.hadoopConfiguration());
        // Foreach loop to print environment, shows no ACCUMULO_CONF_DIR
        ClientConfiguration accumuloConfiguration = ClientConfiguration.loadDefault();
        AccumuloInputFormat.setZooKeeperInstance(accumuloJob, accumuloConfiguration);
        // Other calls to AccumuloInputFormat static functions to configure it properly.
        JavaPairRDD<Key, Value> accumuloRDD =
            sc.newAPIHadoopRDD(accumuloJob.getConfiguration(),
                               AccumuloInputFormat.class,
                               Key.class,
                               Value.class);
    }
}

Answer 1

因此，我在写问题时（抱歉，寻求声誉的人）找到了答案。问题是CDH5使用Spark
1.0.0，并且我正在通过YARN运行作业。显然，YARN模式不关注执行程序环境，而是使用环境变量SPARK_YARN_USER_ENV来控制其环境。因此，确保SPARK_YARN_USER_ENV包含ACCUMULO_CONF_DIR=/etc/accumulo/conf工作，并使ACCUMULO_CONF_DIR问题在源示例中的指示位置在环境中可见。

独立模式和YARN模式在工作方式上的差异导致SPARK-1680，据报告在Spark
1.1.0中已修复。