python - 使用 Airflow 在运行时导出环境变量

Question

我目前正在将之前在 bash 脚本中实现的工作流程转换为 Airflow DAG。在 bash 脚本中，我只是在运行时使用

导出变量

export HADOOP_CONF_DIR="/etc/hadoop/conf"

现在我想在 Airflow 中做同样的事情，但还没有找到解决方案。我发现的一种解决方法是在任何方法或运算符之外使用 os.environ[VAR_NAME]='some_text' 设置变量，但这意味着它们会在脚本加载时导出，而不是在运行时导出时间。

现在，当我尝试在由 PythonOperator 调用的函数中调用 os.environ[VAR_NAME] = 'some_text' 时，它不起作用。我的代码看起来像这样

def set_env():
    os.environ['HADOOP_CONF_DIR'] = "/etc/hadoop/conf"
    os.environ['PATH'] = "somePath:" + os.environ['PATH']
    os.environ['SPARK_HOME'] = "pathToSparkHome"
    os.environ['PYTHONPATH'] = "somePythonPath"
    os.environ['PYSPARK_PYTHON'] = os.popen('which python').read().strip()
    os.environ['PYSPARK_DRIVER_PYTHON'] = os.popen('which python').read().strip()

set_env_operator = PythonOperator(
    task_id='set_env_vars_NOT_WORKING',
    python_callable=set_env,
    dag=dag)

现在，当我的 SparkSubmitOperator 被执行时，我得到了异常:

Exception in thread "main" java.lang.Exception: When running with master 'yarn' either HADOOP_CONF_DIR or YARN_CONF_DIR must be set in the environment.

我的相关用例是我有 SparkSubmitOperator，我在其中将作业提交给 YARN，因此 HADOOP_CONF_DIR 或 YARN_CONF_DIR 必须设置在环境中。遗憾的是，在我的 .bashrc 或任何其他配置中设置它们对我来说是不可能的，这就是为什么我需要在运行时设置它们。

我最好在执行 SparkSubmitOperator 之前在 Operator 中设置它们，但是如果有可能将它们作为参数传递给 SparkSubmitOperator，那将至少是一些东西。

Answer 1

根据我在 spark submit operator 中看到的内容您可以将环境变量作为字典传递给 spark-submit。

:param env_vars: Environment variables for spark-submit. It
                 supports yarn and k8s mode too.
:type env_vars: dict

你试过吗？