Nano Hash - криптовалюты, майнинг, программирование

Использование переменных среды с менеджером cloudera

Каким будет лучший способ использовать переменные среды, объявленные для разных пользователей в кластере (все узлы), и сделать вызов рабочего процесса oozie (Cloudera), а контейнер пряжи восстановить переменную среды в соответствии с пользователем.

В настройках пряжи в менеджере Cloudera вроде бы есть такие ссылки, что-то вроде ENVVAR_USER=$ENVVAR_USER.

Это способ получить другой файл свойств в зависимости от пользователя, выполняющего вызов.


Ответы:


1

Вы можете определить один набор env. переменные для каждого пользователя, затем разрешайте фактические значения на основе фактического имени пользователя:

### per-user config
Sex_Mary=female
Sex_Mario=male

### resolving config for current user
User=Mario
eval Sex=\$Sex_$User

echo $Sex

Но это старый трюк Unix, не имеющий ничего общего с Hadoop или Cloudera. И поддержание всей конфигурации было бы рутиной.

Есть ли шанс, что вы можете сохранить значения в LDAP и получить их динамически с помощью ldapsearch плюс sed или awk??

23.02.2016
Новые материалы

Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

Частный метод Python: улучшение инкапсуляции и безопасности
Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..