Spark排錯與優化

一. 運維

1. 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

1. 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
   

2. 減少保存在Master內存中的作業信息

   spark.ui.retainedJobs 500   # 默認都是1000
   spark.ui.retainedStages 500
   

2. 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

1. 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
   

2. 減少保存在Worker內存中的Driver,Executor信息

   spark.worker.ui.retainedExecutors 200   # 默認都是1000
   spark.worker.ui.retainedDrivers 200   
   

二. 運行錯誤

1.shuffle FetchFailedException

Spark Shuffle FetchFailedException解決方案

錯誤提示

1. missing output location

   org.apache.spark.shuffle.MetadataFetchFailedException: 
   Missing an output location for shuffle 0
   

   

2. 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

1. executor lost

   WARN TaskSetManager: Lost task 1.0 in stage 0.0 (TID 1, aa.local):
   ExecutorLostFailure (executor lost)
   

2. 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
   

3. 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

1. 數據傾斜

   

2. 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。

1. 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

2. 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

1. 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。

2. 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

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：

1. 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。
2. 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
3. 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 thanspark.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.

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

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。

8. driver did not authorize commit

driver did not authorize commit

9. 環境報錯

1. 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)

2. 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 exception
   java.lang.reflect.InvocationTargetException
   

3. 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
   

4. 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 SparkUI
   java.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
   

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。

四. 一些優化

1. 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partition
es - 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.wait
spark.locality.wait.process
spark.locality.wait.node
spark.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。

2. 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)  

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）。

3. 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

4. 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:

spark.sql.shuffle.partitions=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。

修改map階段并行度主要是在代碼中使用rdd.repartition(partitionNum)來操作。

5. shuffle

spark-sql join優化
map-side-join 關聯優化

6. 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