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与newAPIHadoopRDD 。 为了做到这一点，我必须通过调用setZooKeeperInstance方法告诉AccumuloInputFormat在哪里找到ZooKeeper。 此方法采用ClientConfiguration对象，该对象指定各种相关属性。

我正在通过调用静态loadDefault方法创建我的ClientConfiguration对象。 此方法应该在client.conf文件的各个位置查看以加载其默认值。 应该看的其中一个地方是$ACCUMULO_CONF_DIR/client.conf 。

因此，我试图设置ACCUMULO_CONF_DIR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）。 我还没有找到成功的方法。

到目前为止，我已经尝试过：

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

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

如果它是相关的，我正在使用CDH5版本的所有东西。

这是我正在尝试做的一个例子（为简洁而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

所以我在写这个问题时找到了答案（抱歉，信誉求职者）。 问题是CDH5使用Spark 1.0.0，而我正在通过YARN运行该作业。 显然，YARN模式不会关注执行程序环境，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 ，并使ACCUMULO_CONF_DIR在问题源示例中指定点的环境中可见。

独立模式和YARN模式工作方式的差异导致了SPARK-1680 ，报告在Spark 1.1.0中已修复。