轉載地址 http://blog.csdn.net/lsshlsw/article/details/49155087
一. 運維
- Master掛掉,standby重啟也失效
Master默認使用512M內存，當集群中運行的任務特別多時，就會掛掉，原因是master會讀取每個task的event log日志去生成Spark ui，內存不足自然會OOM，可以在master的運行日志中看到，通過HA啟動的master自然也會因為這個原因失敗。
解決
增加Master的內存占用，在Master節點spark-env.sh
中設置：
export SPARK_DAEMON_MEMORY 10g # 根據你的實際情況
減少保存在Master內存中的作業信息
spark.ui.retainedJobs 500 # 默認都是1000spark.ui.retainedStages 500
- worker掛掉或假死
有時候我們還會在web ui中看到worker節點消失或處于dead狀態，在該節點運行的任務則會報各種 lost worker
的錯誤，引發原因和上述大體相同，worker內存中保存了大量的ui信息導致gc時失去和master之間的心跳。
解決
增加Master的內存占用，在Worker節點spark-env.sh
中設置：
export SPARK_DAEMON_MEMORY 2g # 根據你的實際情況
減少保存在Worker內存中的Driver,Executor信息
spark.worker.ui.retainedExecutors 200 # 默認都是1000spark.worker.ui.retainedDrivers 200
二. 運行錯誤
1.shuffle FetchFailedException
Spark Shuffle FetchFailedException解決方案
錯誤提示
missing output location
org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 0
shuffle fetch faild
org.apache.spark.shuffle.FetchFailedException:Failed to connect to spark047215/192.168.47.215:50268
當前的配置為每個executor使用1core,5GRAM,啟動了20個executor
解決
這種問題一般發生在有大量shuffle操作的時候,task不斷的failed,然后又重執行，一直循環下去，直到application失敗。
一般遇到這種問題提高executor內存即可,同時增加每個executor的cpu,這樣不會減少task并行度。
spark.executor.memory 15G
spark.executor.cores 3
spark.cores.max 21
啟動的execuote數量為:7個
execuoterNum = spark.cores.max/spark.executor.cores
每個executor的配置：
3core,15G RAM
消耗的內存資源為:105G RAM
15G*7=105G
可以發現使用的資源并沒有提升，但是同樣的任務原來的配置跑幾個小時還在卡著，改了配置后幾分鐘就能完成。
2.Executor&Task Lost
錯誤提示
executor lost
WARN TaskSetManager: Lost task 1.0 in stage 0.0 (TID 1, aa.local):ExecutorLostFailure (executor lost)
task lost
WARN TaskSetManager: Lost task 69.2 in stage 7.0 (TID 1145, 192.168.47.217):java.io.IOException: Connection from /192.168.47.217:55483 closed
各種timeout
java.util.concurrent.TimeoutException: Futures timed out after [120 second]ERROR TransportChannelHandler: Connection to /192.168.47.212:35409 has been quiet for 120000 ms while there are outstanding requests.Assuming connection is dead; please adjust spark.network.timeout if this is wrong
解決
由網絡或者gc引起,worker或executor沒有接收到executor或task的心跳反饋。 提高 spark.network.timeout
的值，根據情況改成300(5min)或更高。 默認為 120(120s),配置所有網絡傳輸的延時，如果沒有主動設置以下參數，默認覆蓋其屬性
spark.core.connection.ack.wait.timeout
spark.akka.timeout
spark.storage.blockManagerSlaveTimeoutMs
spark.shuffle.io.connectionTimeout
spark.rpc.askTimeout or spark.rpc.lookupTimeout
3.傾斜
錯誤提示
數據傾斜
任務傾斜 差距不大的幾個task,有的運行速度特別慢。
解決
大多數任務都完成了，還有那么一兩個任務怎么都跑不完或者跑的很慢，分為數據傾斜和task傾斜兩種。
數據傾斜 數據傾斜大多數情況是由于大量的無效數據引起，比如null或者”“，也有可能是一些異常數據，比如統計用戶登錄情況時，出現某用戶登錄過千萬次的情況，無效數據在計算前需要過濾掉。 數據處理有一個原則，多使用filter，這樣你真正需要分析的數據量就越少，處理速度就越快。
sqlContext.sql("...where col is not null and col != ''")
具體可參考: 解決spark中遇到的數據傾斜問題
任務傾斜 task傾斜原因比較多，網絡io,cpu,mem都有可能造成這個節點上的任務執行緩慢，可以去看該節點的性能監控來分析原因。以前遇到過同事在spark的一臺worker上跑R的任務導致該節點spark task運行緩慢。 或者可以開啟spark的推測機制，開啟推測機制后如果某一臺機器的幾個task特別慢，推測機制會將任務分配到其他機器執行，最后Spark會選取最快的作為最終結果。
spark.speculation true
spark.speculation.interval 100 - 檢測周期，單位毫秒；
spark.speculation.quantile 0.75 - 完成task的百分比時啟動推測
spark.speculation.multiplier 1.5 - 比其他的慢多少倍時啟動推測。
4.OOM
錯誤提示
堆內存溢出
java.lang.OutOfMemoryError: Java heap space
解決
內存不夠，數據太多就會拋出OOM的Exeception，主要有driver OOM和executor OOM兩種
driver OOM 一般是使用了collect操作將所有executor的數據聚合到driver導致。盡量不要使用collect操作即可。
executor OOM 可以按下面的內存優化的方法增加code使用內存空間
增加executor內存總量,也就是說增加spark.executor.memory
的值
增加任務并行度（大任務就被分成小任務了)，參考下面優化并行度的方法
5.task not serializable
錯誤提示
org.apache.spark.SparkException: Job aborted due to stage failure: Task not serializable: java.io.NotSerializableException: ...
解決
如果你在worker中調用了driver中定義的一些變量，Spark就會將這些變量傳遞給Worker，這些變量并沒有被序列化，所以就會看到如上提示的錯誤了。
val x = new X() //在driver中定義的變量dd.map{r => x.doSomething(r) }.collect //map中的代碼在worker(executor)中執行
1
2
1
2
除了上文的map,還有filter,foreach,foreachPartition等操作，還有一個典型例子就是在foreachPartition中使用數據庫創建連接方法。這些變量沒有序列化導致的任務報錯。
下面提供三種解決方法：
將所有調用到的外部變量直接放入到以上所說的這些算子中，這種情況最好使用foreachPartition減少創建變量的消耗。
將需要使用的外部變量包括sparkConf
,SparkContext
,都用 @transent
進行注解，表示這些變量不需要被序列化
將外部變量放到某個class中對類進行序列化。
6.driver.maxResultSize太小
錯誤提示
Caused by: org.apache.spark.SparkException: Job aborted due to stage failure: Total size of serialized results of 374 tasks (1026.0 MB) is bigger than spark.driver.maxResultSize (1024.0 MB)
解決
spark.driver.maxResultSize默認大小為1G 每個Spark action(如collect)所有分區的序列化結果的總大小限制，簡而言之就是executor給driver返回的結果過大，報這個錯說明需要提高這個值或者避免使用類似的方法，比如countByValue，countByKey等。
將值調大即可
spark.driver.maxResultSize 2g
7.taskSet too large
錯誤提示
WARN TaskSetManager: Stage 198 contains a task of very large size (5953 KB). The maximum recommended task size is 100 KB.
1
1
這個WARN可能還會導致ERROR
Caused by: java.lang.RuntimeException: Failed to commit taskCaused by: org.apache.spark.executor.CommitDeniedException: attempt_201603251514_0218_m_000245_0: Not committed because the driver did not authorize commit
1
2
3
1
2
3
解決
如果你比較了解spark中的stage是如何劃分的，這個問題就比較簡單了。 一個Stage中包含的task過大，一般由于你的transform過程太長，因此driver給executor分發的task就會變的很大。 所以解決這個問題我們可以通過拆分stage解決。也就是在執行過程中調用cache.count
緩存一些中間數據從而切斷過長的stage。
- driver did not authorize commit
driver did not authorize commit - 環境報錯
driver節點內存不足 driver內存不足導致無法啟動application，將driver分配到內存足夠的機器上或減少driver-memory
Java HotSpot(TM) 64-Bit Server VM warning: INFO:
os::commit_memory(0x0000000680000000, 4294967296, 0) failed; error=’Cannot allocate memory’ (errno=12)
hdfs空間不夠 hdfs空間不足，event_log無法寫入，所以 ListenerBus會報錯
,增加hdfs空間（刪除無用數據或增加節點）
Caused by: org.apache.hadoop.ipc.RemoteException(java.io.IOException): File /tmp/spark-history/app-20151228095652-0072.inprogress could only be replicated to 0 nodes instead of minReplication (=1)ERROR LiveListenerBus: Listener EventLoggingListener threw an exceptionjava.lang.reflect.InvocationTargetException
spark編譯包與Hadoop版本不一致 下載對應hadoop版本的spark包或自己編譯。
java.io.InvalidClassException: org.apache.spark.rdd.RDD; local class incompatible: stream classdesc serialVersionUID
driver機器端口使用過多 在一臺機器上沒有指定端口的情況下，提交了超過15個任務。
16/03/16 16:03:17 ERROR SparkUI: Failed to bind SparkUIjava.net.BindException: 地址已在使用: Service 'SparkUI' failed after 16 retries!
提交任務時指定app web ui端口號解決:
--conf spark.ui.port=xxxx
中文亂碼
使用write.csv等方法寫出到hdfs的文件，中文亂碼。JVM使用的字符集如果沒有指定，默認會使用系統的字符集，因為各個節點系統字符集并不都是UTF8導致，所以會出現這個問題。直接給JVM指定字符集即可。
spark-defaults.conf
spark.executor.extraJavaOptions -Dfile.encoding=UTF-8
三. 一些python錯誤
1.python版本過低
java.io.UIException: Cannot run program "python2.7": error=2,沒有那個文件或目錄
spark使用的Python版本為2.7,centOS默認python版本為2.6，升級即可。
2.python權限不夠
錯誤提示
部分節點上有錯誤提示
java.io.IOExeception: Cannot run program "python2.7": error=13, 權限不夠
解決
新加的節點運維裝2.7版本的python,python命令是正確的,python2.7卻無法調用，只要改改環境變量就好了。
3.pickle使用失敗
錯誤提示
TypeError: ('cinit() takes exactly 8 positional arguments (11 given)', <type 'sklearn.tree._tree.Tree'>, (10, array([1], dtype=int32), 1, <sklearn.tree._tree.RegressionCriterion object at 0x100077480>, 50.0, 2, 1, 0.1, 10, 1, <mtrand.RandomState object at 0x10a55da08>))
解決
該pickle文件是在0.17版本的scikit-learn下訓練出來的，有些機器裝的是0.14版本，版本不一致導致，升級可解決，記得將老版本數據清理干凈，否則會報各種Cannot import xxx
的錯誤。
4.python編碼錯誤
錯誤提示
UnicodeEncodeError: 'ascii' codec can't encode characters in position 0-1: ordinal not in range(128)
解決
方法1：
import sys reload(sys) sys.setdefaultencoding('utf-8')
1
2
3
1
2
3
方法2:
//報錯str(u'中國')//不報錯str(u'中國'.encode('utf-8'))
1
2
3
4
1
2
3
4
四. 一些優化
- 部分Executor不執行任務
有時候會發現部分executor并沒有在執行任務，為什么呢？
(1) 任務partition數過少， 要知道每個partition只會在一個task上執行任務。改變分區數，可以通過 repartition
方法，即使這樣，在 repartition
前還是要從數據源讀取數據，此時（讀入數據時）的并發度根據不同的數據源受到不同限制，常用的大概有以下幾種：
hdfs － block數就是partition數mysql － 按讀入時的分區規則分partitiones - 分區數即為 es 的 分片數（shard）
(2) 數據本地性的副作用
taskSetManager在分發任務之前會先計算數據本地性，優先級依次是：
process(同一個executor) -> node_local(同一個節點) -> rack_local(同一個機架) -> any(任何節點)
Spark會優先執行高優先級的任務，任務完成的速度很快（小于設置的spark.locality.wait時間），則數據本地性下一級別的任務則一直不會啟動，這就是Spark的延時調度機制。
舉個極端例子：運行一個count任務，如果數據全都堆積在某一臺節點上，那將只會有這臺機器在長期計算任務，集群中的其他機器則會處于等待狀態（等待本地性降級）而不執行任務，造成了大量的資源浪費。
判斷的公式為：
curTime – lastLaunchTime >= localityWaits(currentLocalityIndex)
其中 curTime
為系統當前時間，lastLaunchTime
為在某優先級下最后一次啟動task的時間
如果滿足這個條件則會進入下一個優先級的時間判斷，直到 any
，不滿足則分配當前優先級的任務。
數據本地性任務分配的源碼在 taskSetManager.Scala
。
如果存在大量executor處于等待狀態，可以降低以下參數的值（也可以設置為0），默認都是3s。
spark.locality.waitspark.locality.wait.processspark.locality.wait.nodespark.locality.wait.rack
當你數據本地性很差，可適當提高上述值，當然也可以直接在集群中對數據進行balance。
- spark task 連續重試失敗
有可能哪臺worker節點出現了故障，task執行失敗后會在該 executor
上不斷重試，達到最大重試次數后會導致整個 application
執行失敗，我們可以設置失敗黑名單(task在該節點運行失敗后會換節點重試)，可以看到在源碼中默認設置的是 0
,
private val EXECUTOR_TASK_BLACKLIST_TIMEOUT = conf.getLong("spark.scheduler.executorTaskBlacklistTime", 0L)
1
2
1
2
在 spark-default.sh
中設置
spark.scheduler.executorTaskBlacklistTime 30000
當 task
在該 executor
運行失敗后會在其它 executor
中啟動，同時此 executor
會進入黑名單30s（不會分發任務到該executor）。
- 內存
如果你的任務shuffle量特別大，同時rdd緩存比較少可以更改下面的參數進一步提高任務運行速度。
spark.storage.memoryFraction
－ 分配給rdd緩存的比例，默認為0.6(60%)，如果緩存的數據較少可以降低該值。 spark.shuffle.memoryFraction
- 分配給shuffle數據的內存比例，默認為0.2(20%) 剩下的20%內存空間則是分配給代碼生成對象等。
如果任務運行緩慢，jvm進行頻繁gc或者內存空間不足，或者可以降低上述的兩個值。 "spark.rdd.compress","true"
－ 默認為false，壓縮序列化的RDD分區,消耗一些cpu減少空間的使用
- 并發
mysql讀取并發度優化
spark.default.parallelism
發生shuffle時的并行度，在standalone模式下的數量默認為core的個數，也可手動調整，數量設置太大會造成很多小任務，增加啟動任務的開銷，太小，運行大數據量的任務時速度緩慢。
spark.sql.shuffle.partitions
sql聚合操作(發生shuffle)時的并行度，默認為200，如果該值太小會導致OOM,executor丟失，任務執行時間過長的問題
相同的兩個任務： spark.sql.shuffle.partitions=300:
并行度300
spark.sql.shuffle.partitions=500:
并行度500
速度變快主要是大量的減少了gc的時間。
但是設置過大會造成性能惡化，過多的碎片task會造成大量無謂的啟動關閉task開銷，還有可能導致某些task hang住無法執行。
這里寫圖片描述
修改map階段并行度主要是在代碼中使用rdd.repartition(partitionNum)
來操作。 - shuffle
spark-sql join優化 map-side-join 關聯優化 - 磁盤
磁盤IO優化
7.序列化
kryo Serialization
8.數據本地性
Spark不同Cluster Manager下的數據本地性表現 spark讀取hdfs數據本地性異常
9.代碼
編寫Spark程序的幾個優化點
