spark踩坑轉

一.經驗

1.Spark Streaming包含三種計算模式：nonstate .stateful .window

2.kafka可通過配置文件使用自帶的zookeeper集羣

3.Spark一切操作歸根結底是對RDD的操作

4.部署Spark任務，不用拷貝整個架包，只需拷貝被修改的文件，然後在目標服務器上編譯打包。

5.kafka的log.dirs不要設置成/tmp下的目錄，貌似tmp目錄有文件數和磁盤容量限制

6.ES的分片類似kafka的partition

7spark Graph根據邊集合構建圖，頂點集合只是指定圖中哪些頂點有效

8.presto集羣沒必要採用on yarn模式，因爲hadoop依賴HDFS，如果部分機器磁盤很小，hadoop會很尷尬，而presto是純內存計算，不依賴磁盤，獨立安裝可以跨越多個集羣，可以說有內存的地方就可以有presto

9.presto進程一旦啓動，JVM server會一直佔用內存

10.如果maven下載很慢，很可能是被天朝的GFW牆了，可以在maven安裝目錄的setting.conf配置文件mirrors標籤下加入國內鏡像抵制**黨的網絡封鎖，例如：

<mirror>
  <id>nexus-aliyun</id>
  <mirrorOf>*</mirrorOf>
  <name>Nexus aliyun</name>
  <url>http://maven.aliyun.com/nexus/content/groups/public</url>
</mirror>

11.編譯spark，hive on spark就不要加-Phive參數，若需sparkSQL支持hive語法則要加-Phive參數

12.通過hive源文件pom.xml查看適配的spark版本，只要打版本保持一致就行，例如spark1.6.0和1.6.2都能匹配

13.打開Hive命令行客戶端，觀察輸出日誌是否有打印“SLF4J: Found binding in [jar:file:/work/poa/hive-2.1.0-bin/lib/spark-assembly-1.6.2-hadoop2.6.0.jar!/org/slf4j/impl/StaticLoggerBinder.class]”來判斷hive有沒有綁定spark

14.kafka的comsumer groupID對於spark direct streaming無效

15.shuffle write就是在一個stage結束計算之後，爲了下一個stage可以執行shuffle類的算子，而將每個task處理的數據按key進行分類，將相同key都寫入同一個磁盤文件中，而每一個磁盤文件都只屬於下游stage的一個task，在將數據寫入磁盤之前，會先將數據寫入內存緩存中，下一個stage的task有多少個，當前stage的每個task就要創建多少份磁盤文件。

16.單個spark任務的excutor核數不宜設置過高，否則會導致其他JOB延遲

17.數據傾斜只發生在shuffle過程，可能觸發shuffle操作的算子有：distinct, groupByKey, reduceByKey, aggregateByKey, join, cogroup, repartition等

18.運行時刪除hadoop數據目錄會導致依賴HDFS的JOB失效

19.sparkSQL UDAF中update函數的第二個參數 input: Row 對應的並非DataFrame的行，而是被inputSchema投影了的行

20.Spark的Driver只有在Action時纔會收到結果

21.Spark需要全局聚合變量時應當使用累加器（Accumulator）

22.Kafka以topic與consumer group劃分關係，一個topic的消息會被訂閱它的消費者組全部消費，如果希望某個consumer使用topic的全部消息，可將該組只設一個消費者，每個組的消費者數目不能大於topic的partition總數，否則多出的consumer將無消可費

23.所有自定義類要實現serializable接口，否則在集羣中無法生效

24.resources資源文件讀取要在Spark Driver端進行，以局部變量方式傳給閉包函數

25.DStream流轉化只產生臨時流對象，如果要繼續使用，需要一個引用指向該臨時流對象

26.提交到yarn cluster的作業不能直接print到控制檯，要用log4j輸出到日誌文件中

27.HDFS文件路徑寫法爲：hdfs://master:9000/文件路徑，這裏的master是namenode的hostname,9000是hdfs端口號。

28.不要隨意格式化HDFS，這會帶來數據版本不一致等諸多問題，格式化前要清空數據文件夾

29.搭建集羣時要首先配置好主機名，並重啓機器讓配置的主機名生效

30.linux批量多機互信, 將pub祕鑰配成一個

31小於128M的小文件都會佔據一個128M的BLOCK，合併或者刪除小文件節省磁盤空間

32.Non DFS Used指的是非HDFS的所有文件

33.spark兩個分區方法coalesce和repartition，前者窄依賴，分區後數據不均勻，後者寬依賴，引發shuffle操作，分區後數據均勻

34.spark中數據寫入ElasticSearch的操作必須在action中以RDD爲單位執行

35.可以通過hive-site.xml修改spark.executor.instances, spark.executor.cores, spark.executor.memory等配置來優化hive on spark執行性能，不過最好配成動態資源分配。

二.基本功能

0.常見問題:

1如果運行程序出現錯誤：Exception in thread "main" java.lang.NoClassDefFoundError: org/slf4j/LoggerFactory，這是因爲項目缺少slf4j-api.jar和slf4j-log4j12.jar這兩個jar包導致的錯誤。
2如果運行程序出現錯誤：java.lang.NoClassDefFoundError: org/apache/log4j/LogManager，這是因爲項目缺少log4j.jar這個jar包
3錯誤：Exception in thread "main" java.lang.NoSuchMethodError: org.slf4j.MDC.getCopyOfContextMap()Ljava/util/Map，這是因爲jar包版本衝突造成的。

1.配置spark-submit (CDH版本)

Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/hadoop/fs/FSDataInputStream
        at org.apache.spark.deploy.SparkSubmitArguments.handleUnknown(SparkSubmitArguments.scala:451)
        at org.apache.spark.launcher.SparkSubmitOptionParser.parse(SparkSubmitOptionParser.java:178)
        at org.apache.spark.deploy.SparkSubmitArguments.<init>(SparkSubmitArguments.scala:97)
        at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:113)
        at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
Caused by: java.lang.ClassNotFoundException: org.apache.hadoop.fs.FSDataInputStream
        at java.net.URLClassLoader$1.run(URLClassLoader.java:366)
        at java.net.URLClassLoader$1.run(URLClassLoader.java:355)
        at java.security.AccessController.doPrivileged(Native Method)
        at java.net.URLClassLoader.findClass(URLClassLoader.java:354)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:308)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
        ... 5 more

解決方案:

在spark-env.sh文件中添加:

export SPARK_DIST_CLASSPATH=$(hadoop classpath)

2.啓動spark-shell時,報錯

INFO cluster.YarnClientSchedulerBackend: Registered executor: Actor[akka.tcp://sparkExecutor@services07:34965/user/Executor#1736210263] with ID 1
INFO util.RackResolver: Resolved services07 to /default-rack
INFO storage.BlockManagerMasterActor: Registering block manager services07:51154 with 534.5 MB RAM

解決方案:

在spark的spark-env配置文件中配置下列配置項:

將export SPARK_WORKER_MEMORY, export SPARK_DRIVER_MEMORY, export SPARK_YARN_AM_MEMORY的值設置成小於534.5 MB

3.啓動spark SQL時,報錯:

  Caused by: org.datanucleus.store.rdbms.connectionpool.DatastoreDriverNotFoundException: The specified datastore driver ("com.mysql.jdbc.Driver ") was not found in the CLASSPATH. Please check your CLASSPATH specification, and the name of the driver.

解決方案:

在$SPARK_HOME/conf/spark-env.sh文件中配置:

export SPARK_CLASSPATH=$HIVE_HOME/lib/mysql-connector-java-5.1.6-bin.jar

4.啓動spark SQL時,報錯:

  java.sql.SQLException: Access denied for user 'services02 '@'services02' (using password: YES)

解決方案:

檢查hive-site.xml的配置項, 有以下這個配置項

<property>
    <name>javax.jdo.option.ConnectionPassword</name>
    <value>123456</value>
    <description>password to use against metastore database</description>
</property>

看該密碼與與MySQL的登錄密碼是否一致

5.啓動計算任務時報錯:

報錯信息爲:

  org.apache.spark.rpc.RpcTimeoutException: Futures timed out after [120 seconds]. This timeout is controlled by spark.rpc.askTimeout

解決方案:

  分配的core不夠, 多分配幾核的CPU

6.啓動計算任務時報錯:

不斷重複出現

  status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1     
  status.SparkJobMonitor: 2017-01-04 11:53:54,564    Stage-0_0: 0(+1)/1     
  status.SparkJobMonitor: 2017-01-04 11:53:55,564    Stage-0_0: 0(+1)/1     
  status.SparkJobMonitor: 2017-01-04 11:53:56,564    Stage-0_0: 0(+1)/1

解決方案:

    資源不夠, 分配大點內存, 默認值爲512MB.

7.啓動Spark作爲計算引擎時報錯:

報錯信息爲:

java.io.IOException: Failed on local exception: java.nio.channels.ClosedByInterruptException; Host Details : local host is: "m1/192.168.179.201"; destination host is: "m1":9000; 
    at org.apache.hadoop.net.NetUtils.wrapException(NetUtils.java:772)
    at org.apache.hadoop.ipc.Client.call(Client.java:1474)
Caused by: java.nio.channels.ClosedByInterruptException
    at java.nio.channels.spi.AbstractInterruptibleChannel.end(AbstractInterruptibleChannel.java:202)
    at sun.nio.ch.SocketChannelImpl.connect(SocketChannelImpl.java:681)
17/01/06 11:01:43 INFO retry.RetryInvocationHandler: Exception while invoking getFileInfo of class ClientNamenodeProtocolTranslatorPB over m2/192.168.179.202:9000 after 9 fail over attempts. Trying to fail over immediately.

解決方案:

出現該問題的原因有多種, 我所遇到的是使用Hive On Spark時報了此錯誤,解決方案是:
在hive-site.xml文件下正確配置該項

<property>
    <name>spark.yarn.jar</name>
    <value>hdfs://ns1/Jar/spark-assembly-1.6.0-hadoop2.6.0.jar</value>
</property>

8.啓動spark集羣時報錯,啓動命令爲:start-mastersh

報錯信息:

Exception in thread "main" java.lang.NoClassDefFoundError: org/slf4j/Logger
        at java.lang.Class.getDeclaredMethods0(Native Method)
        at java.lang.Class.privateGetDeclaredMethods(Class.java:2701)
        at java.lang.Class.privateGetMethodRecursive(Class.java:3048)
        at java.lang.Class.getMethod0(Class.java:3018)
        at java.lang.Class.getMethod(Class.java:1784)
        at sun.launcher.LauncherHelper.validateMainClass(LauncherHelper.java:544)
        at sun.launcher.LauncherHelper.checkAndLoadMain(LauncherHelper.java:526)
Caused by: java.lang.ClassNotFoundException: org.slf4j.Logger
        at java.net.URLClassLoader.findClass(URLClassLoader.java:381)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:424)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:331)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:357)
        ... 7 more

解決方案:

將/home/centos/soft/hadoop/share/hadoop/common/lib目錄下的slf4j-api-1.7.5.jar文件,slf4j-log4j12-1.7.5.jar文件和commons-logging-1.1.3.jar文件拷貝到/home/centos/soft/spark/lib目錄下

9.啓動spark集羣時報錯,啓動命令爲:start-mastersh

報錯信息:

Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/hadoop/conf/Configuration
        at java.lang.Class.getDeclaredMethods0(Native Method)
        at java.lang.Class.privateGetDeclaredMethods(Class.java:2570)
        at java.lang.Class.getMethod0(Class.java:2813)
        at java.lang.Class.getMethod(Class.java:1663)
        at sun.launcher.LauncherHelper.getMainMethod(LauncherHelper.java:494)
        at sun.launcher.LauncherHelper.checkAndLoadMain(LauncherHelper.java:486)
Caused by: java.lang.ClassNotFoundException: org.apache.hadoop.conf.Configuration
        at java.net.URLClassLoader$1.run(URLClassLoader.java:366)
        at java.net.URLClassLoader$1.run(URLClassLoader.java:355)
        at java.security.AccessController.doPrivileged(Native Method)
        at java.net.URLClassLoader.findClass(URLClassLoader.java:354)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:425)
        at sun.misc.Launcher$AppClassLoader.loadClass(Launcher.java:308)
        at java.lang.ClassLoader.loadClass(ClassLoader.java:358)
        ... 6 more

解決方案:

官網資料:
    https://spark.apache.org/docs/latest/hadoop-provided.html#apache-hadoop

編輯/home/centos/soft/spark/conf/spark-env.sh文件,配置下列配置項:

export SPARK_DIST_CLASSPATH=$(/home/centos/soft/hadoop/bin/hadoop classpath)

10.啓動HPL/SQL存儲過程時報錯:

報錯信息:

2017-01-10T15:20:18,491 ERROR [HiveServer2-Background-Pool: Thread-97] exec.TaskRunner: Error in executeTask
java.lang.OutOfMemoryError: PermGen space
        at java.lang.ClassLoader.defineClass1(Native Method)
        at java.lang.ClassLoader.defineClass(ClassLoader.java:800)
2017-01-10T15:20:18,491 ERROR [HiveServer2-Background-Pool: Thread-97] ql.Driver: FAILED: Execution Error, return code -101 from org.apache.hadoop.hive.ql.exec.spark.SparkTask. PermGen space
2017-01-10T15:20:18,491  INFO [HiveServer2-Background-Pool: Thread-97] ql.Driver: Completed executing command(queryId=centos_20170110152016_240c1b5e-3153-4179-80af-9688fa7674dd); Time taken: 2.113 seconds
2017-01-10T15:20:18,500 ERROR [HiveServer2-Background-Pool: Thread-97] operation.Operation: Error running hive query: 
org.apache.hive.service.cli.HiveSQLException: Error while processing statement: FAILED: Execution Error, return code -101 from org.apache.hadoop.hive.ql.exec.spark.SparkTask. PermGen space
        at org.apache.hive.service.cli.operation.Operation.toSQLException(Operation.java:388)
        at org.apache.hive.service.cli.operation.SQLOperation.runQuery(SQLOperation.java:244)
        at org.apache.hive.service.cli.operation.SQLOperation.access$800(SQLOperation.java:91)
Caused by: java.lang.OutOfMemoryError: PermGen space
        at java.lang.ClassLoader.defineClass1(Native Method)
        at java.lang.ClassLoader.defineClass(ClassLoader.java:800)

解決方案:

參考資料:
    http://blog.csdn.net/xiao_jun_0820/article/details/45038205

出現該問題是因爲Spark默認使用全部資源, 而此時主機的內存已用, 應在Spark配置文件中限制內存的大小.
在hive-site.xml文件下配置該項:

<property>
    <name>spark.driver.extraJavaOptions</name>
    <value>-XX:PermSize=128M -XX:MaxPermSize=512M</value>
</property>

或在spark-default.conf文件下配置:

spark.driver.extraJavaOptions             -XX:PermSize=128M -XX:MaxPermSize=256M

三.Spark常見問題彙總

1.報錯信息:

Operation category READ is not supported in state standbyorg.apache.hadoop.ipc.RemoteException(org.apache.hadoop.ipc.StandbyException): 
Operation category READ is not supported in state standby

解決方案:

查看執行Spark計算的是否處於standby狀態, 用瀏覽器訪問該主機:http://m1:50070, 如果處於standby狀態, 則不可在處於StandBy機器運行spark計算，應切執行Spark計算的主機從Standby狀態切換到Active狀態

2.問題出現情景:

Spakr集羣的所有運行數據在Master重啓是都會丟失

解決方案:

配置spark.deploy.recoveryMode選項爲ZOOKEEPER

3.報錯信息:

由於Spark在計算的時候會將中間結果存儲到/tmp目錄，而目前linux又都支持tmpfs，其實就是將/tmp目錄掛載到內存當中, 那麼這裏就存在一個問題，中間結果過多導致/tmp目錄寫滿而出現如下錯誤

No Space Left on the device（Shuffle臨時文件過多）

解決辦法:

修改配置文件spark-env.sh,把臨時文件引入到一個自定義的目錄中去, 即:

export SPARK_LOCAL_DIRS=/home/utoken/datadir/spark/tmp

4.報錯信息:

java.lang.OutOfMemory, unable to create new native thread
Caused by: java.lang.OutOfMemoryError: unable to create new native thread
        at java.lang.Thread.start0(Native Method)
        at java.lang.Thread.start(Thread.java:640)

解決方案:

上面這段錯誤提示的本質是Linux操作系統無法創建更多進程，導致出錯，並不是系統的內存不足。因此要解決這個問題需要修改Linux允許創建更多的進程，就需要修改Linux最大進程數。
(1)修改Linux最大進程數

ulimit -a

(2)臨時修改允許打開的最大進程數

ulimit -u 65535

(3)臨時修改允許打開的文件句柄

ulimit -n 65535

(4)永久修改Linux最大進程數量

sudo vi /etc/security/limits.d/90-nproc.conf

*          soft    nproc     60000
root       soft    nproc     unlimited

永久修改用戶打開文件的最大句柄數，該值默認1024，一般都會不夠，常見錯誤就是not open file
解決辦法:

sudo vi /etc/security/limits.conf

bdata  soft    nofile  65536
bdata  hard    nofile  65536

5.問題出現情景:

Worker節點中的work目錄佔用許多磁盤空間, 這些是Driver上傳到worker的文件, 會佔用許多磁盤空間.

解決方案:

需要定時做手工清理. 目錄地址：/home/centos/soft/spark/work

6.問題出現情景:

spark-shell提交Spark Application如何解決依賴庫

解決方案:

利用--driver-class-path選項來指定所依賴的jar文件，注意的是--driver-class-path後如果需要跟着多個jar文件的話，jar文件之間使用冒號:來分割。

7.Spark在發佈應用的時候，出現連接不上master

報錯信息如下:

INFO AppClient$ClientEndpoint: Connecting to master spark://s1:7077...
WARN ReliableDeliverySupervisor: Association with remote system [akka.tcp://sparkMaster@s1:7077] has failed, address is now gated for [5000] ms. Reason: [Disassociated]

解決方案:

檢查所有機器時間是否一致.hosts是否都配置了映射.客戶端和服務器端的Scala版本是否一致.Scala版本是否和Spark兼容

8.開發spark應用程序（和Flume-NG結合時）發佈應用時可能會報錯

報錯信息如下:

ERROR ReceiverSupervisorImpl: Stopped receiver with error: org.jboss.netty.channel.ChannelException: Failed to bind to: /192.168.10.156:18800
ERROR Executor: Exception in task 0.0 in stage 2.0 (TID 70)
                org.jboss.netty.channel.ChannelException: Failed to bind to: /192.168.10.156:18800
                at org.jboss.netty.bootstrap.ServerBootstrap.bind(ServerBootstrap.java:272)
Caused by: java.net.BindException: Cannot assign requested address

解決方案:

參考資料:
  http://www.tuicool.com/articles/Yfi2eyR

由於spark通過Master發佈的時候，會自動選取發送到某一臺的worker節點上，所以這裏綁定端口的時候，需要選擇相應的worker服務器，但是由於我們無法事先瞭解到，spark發佈到哪一臺服務器的，所以這裏啓動報錯，是因爲在192.168.10.156:18800的機器上面沒有啓動Driver程序，而是發佈到了其他服務器去啓動了，所以無法監聽到該機器出現問題，所以我們需要設置spark分發包時，發佈到所有worker節點機器，或者發佈後，我們去尋找發佈到了哪一臺機器，重新修改綁定IP，重新發布，有一定機率發佈成功。

9.使用Hive on Spark時報錯:

ERROR XSDB6: Another instance of Derby may have already booted the database /home/bdata/data/metastore_db.

解決方案:

在使用Hive on Spark模式操作hive裏面的數據時，報以上錯誤，原因是因爲HIVE採用了derby這個內嵌數據庫作爲數據庫，它不支持多用戶同時訪問,解決辦法就是把derby數據庫換成mysql數據庫即可

10.找不到hdfs集羣名字dfscluster

報錯信息:

  java.lang.IllegalArgumentException: java.net.UnknownHostException: dfscluster

解決辦法：

將$HADOOP_HOME/etc/hadoop/hdfs-site.xml文件拷貝到Spark集羣的所有主機的$SPARK_HOME/conf目錄下，然後重啓Spark集羣

cd /home/centos/soft/spark/conf/

for i in {201,202,203}; 
do scp hdfs-site.xml 192.168.179.$i:/home/centos/soft/spark/conf/; 
done

11.在執行yarn集羣或者客戶端時，報錯:

執行指令:

sh $SPARK_HOME/bin/spark-sql --master yarn-client

報如下錯誤:

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

解決辦法:

根據提示，配置HADOOP_CONF_DIR or YARN_CONF_DIR的環境變量即可, 在spark-env.sh文件中配置以下幾項:

export HADOOP_HOME=/u01/hadoop-2.6.1
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
PATH=$PATH:$HIVE_HOME/bin:$HADOOP_HOME/bin

12.提交spark計算任務時,報錯:

報錯信息如下:

Job aborted due to stage failure: Task 3 in stage 0.0 failed 4 times, most recent failure: Lost task 3.3 in
[org.apache.spark.scheduler.TaskSchedulerImpl]-[ERROR] Lost executor 0 on 192.168.10.38: remote Rpc client disassociated
[org.apache.spark.scheduler.TaskSchedulerImpl]-[ERROR] Lost executor 1 on 192.168.10.38: remote Rpc client disassociated
[org.apache.spark.scheduler.TaskSchedulerImpl]-[ERROR] Lost executor 2 on 192.168.10.38: remote Rpc client disassociated
[org.apache.spark.scheduler.TaskSchedulerImpl]-[ERROR] Lost executor 3 on 192.168.10.38: remote Rpc client disassociated
[org.apache.spark.scheduler.TaskSetManager]-[ERROR] Task 3 in stage 0.0 failed 4 times; aborting job
Exception in thread "main" org.apache.spark.SparkException : Job aborted due to stage failure: Task 3 in stage 0.0 failed 4 times, most recent failure: Lost task 3.3 in stage 0.0 (TID 14, 192.168.10.38): ExecutorLostFailure (executor 3 lost)
Driver stacktrace:
at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1283)

解決方案:

這裏遇到的問題主要是因爲數據源數據量過大，而機器的內存無法滿足需求，導致長時間執行超時斷開的情況，數據無法有效進行交互計算，因此有必要增加內存

13.啓動Spark計算任務:

長時間等待無反應，並且看到服務器上面的web界面有內存和核心數，但是沒有分配，報錯信息如下:

status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1
status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1
status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1
status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1
status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1
status.SparkJobMonitor: 2017-01-04 11:53:51,564    Stage-0_0: 0(+1)/1

日誌信息顯示：

WARN TaskSchedulerImpl: Initial job has not accepted any resources; check your cluster UI to ensure that workers are registered and have sufficient resources

解決方案:

出現上面的問題主要原因是因爲我們通過參數spark.executor.memory設置的內存過大，已經超過了實際機器擁有的內存，故無法執行，需要等待機器擁有足夠的內存後，才能執行任務，可以減少任務執行內存，設置小一些即可

14.內存不足或數據傾斜導致Executor Lost（spark-submit提交）

報錯信息如下:

TaskSetManager: Lost task 1.0 in stage 6.0 (TID 100, 192.168.10.37): java.lang.OutOfMemoryError: Java heap space
INFO BlockManagerInfo: Added broadcast_8_piece0 in memory on 192.168.10.37:57139 (size: 42.0 KB, free: 24.2 MB)
INFO BlockManagerInfo: Added broadcast_8_piece0 in memory on 192.168.10.38:53816 (size: 42.0 KB, free: 24.2 MB)
INFO TaskSetManager: Starting task 3.0 in stage 6.0 (TID 102, 192.168.10.37, ANY, 2152 bytes)
WARN TaskSetManager: Lost task 1.0 in stage 6.0 (TID 100, 192.168.10.37): java.lang.OutOfMemoryError: Java heap space
            at java.io.BufferedOutputStream.<init>(BufferedOutputStream.java:76)
            at java.io.BufferedOutputStream.<init>(BufferedOutputStream.java:59)
            at org.apache.spark.sql.execution.UnsafeRowSerializerInstance$$anon$2.<init>(UnsafeRowSerializer.scala:55)
ERROR TaskSchedulerImpl: Lost executor 6 on 192.168.10.37: remote Rpc client disassociated
INFO TaskSetManager: Re-queueing tasks for 6 from TaskSet 6.0
WARN ReliableDeliverySupervisor: Association with remote system [akka.tcp://[email protected]:42250] has failed, address is now gated for [5000] ms. Reason: [Disassociated]
WARN TaskSetManager: Lost task 3.0 in stage 6.0 (TID 102, 192.168.10.37): ExecutorLostFailure (executor 6 lost)
INFO DAGScheduler: Executor lost: 6 (epoch 8)
INFO BlockManagerMasterEndpoint: Trying to remove executor 6 from BlockManagerMaster.
INFO BlockManagerMasterEndpoint: Removing block manager BlockManagerId(6, 192.168.10.37, 57139)
INFO BlockManagerMaster: Removed 6 successfully in removeExecutor
INFO AppClient$ClientEndpoint: Executor updated: app-20160115142128-0001/6 is now EXITED (Command exited with code 52)
INFO SparkDeploySchedulerBackend: Executor app-20160115142128-0001/6 removed: Command exited with code 52
INFO SparkDeploySchedulerBackend: Asked to remove non-existent executor 6
          org.apache.spark.SparkException: Job aborted due to stage failure: Task 0 in stage 6.0 failed 4 times, most recent failure: Lost task 0.3 in stage 6.0 (TID 142, 192.168.10.36): ExecutorLostFailure (executor 4 lost)
WARN TaskSetManager: Lost task 4.1 in stage 6.0 (TID 137, 192.168.10.38): java.lang.OutOfMemoryError: GC overhead limit exceeded

解決辦法：

由於我們在執行Spark任務是，讀取所需要的原數據，數據量太大，導致在Worker上面分配的任務執行數據時所需要的內存不夠，直接導致內存溢出了，所以我們有必要增加Worker上面的內存來滿足程序運行需要。
在Spark Streaming或者其他spark任務中，會遇到在Spark中常見的問題，典型如Executor Lost相關的問題(shuffle fetch失敗，Task失敗重試等)。這就意味着發生了內存不足或者數據傾斜的問題。這個目前需要考慮如下幾個點以獲得解決方案：

A.相同資源下，增加partition數可以減少內存問題。原因如下：通過增加partition數，每個task要處理的數據少了，同一時間內，所有正在運行的task要處理的數量少了很多，所有Executor佔用的內存也變小了。這可以緩解數據傾斜以及內存不足的壓力。
B.關注shuffle read階段的並行數。例如reduce, group 之類的函數，其實他們都有第二個參數，並行度(partition數)，只是大家一般都不設置。不過出了問題再設置一下，也不錯。
C.給一個Executor核數設置的太多，也就意味着同一時刻，在該Executor的內存壓力會更大，GC也會更頻繁。我一般會控制在3個左右。然後通過提高Executor數量來保持資源的總量不變。

16. Spark Streaming 和kafka整合

報錯信息如下：

  OffsetOutOfRangeException

解決方案：

如果和kafka消息中間件結合使用，請檢查消息體是否大於默認設置1m，如果大於，則需要設置fetch.message.max.bytes=1m, 這裏需要把值設置大些

17.報錯信息:

java.io.IOException : Could not locate executable null\bin\winutils.exe in the Hadoop binaries.（spark sql on hive 任務引發HiveContext NullPointerException）

解決辦法:

在開發hive和Spark整合的時候，如果是Windows系統，並且沒有配置HADOOP_HOME的環境變量，那麼可能找不到winutils.exe這個工具，由於使用hive時，對該命令有依賴，所以不要忽視該錯誤，否則將無法創建HiveContext，一直報Exception in thread "main" java.lang.RuntimeException: java.lang.NullPointerException
因此，解決該辦法有兩個方式

方案A:

把任務打包成jar，上傳到服務器上面，服務器是配置過HADOOP_HOME環境變量的，並且不需要依賴winutils,所以只需要通過spark-submit方式提交即可，如：

  spark-submit --class com.pride.hive.HiveOnSparkTest --master spark://bdata4:7077 spark-simple-1.0.jar

方案B:

解決winutils.exe命令不可用問題，配置Windows上面HADOOP_HOME的環境變量，或者在程序最開始的地方設置HADOOP_HOME的屬性配置,這裏需要注意，由於最新版本已經沒有winutils這些exe命令了，我們需要在其他地方下載該命令放入HADOOP的bin目錄下，當然也可以直接配置下載項目的環境變量，變量名一定要是HADOOP_HOME才行

下載地址: (記得翻牆哦)
    https://github.com/srccodes/hadoop-common-2.2.0-bin/archive/master.zip

任何項目都生效，需要配置Windows的環境變量，如果只在程序中生效可在程序中配置即可，如:

//用於解決Windows下找不到winutils.exe命令
System. setProperty("hadoop.home.dir", "E:\\Software\\hadoop-common-2.2.0-bin" );

19.報錯信息:

Exception in thread "main" org.apache.hadoop.security.AccessControlException : Permission denied: user=Administrator, access=WRITE, inode="/data":bdata:supergroup:drwxr-xr-x

解決辦法

1.在系統的環境變量或JVM變量裏面添加HADOOP_USER_NAME，如程序中添加:
System.setProperty("HADOOP_USER_NAME", "bdata");, 這裏的值就是以後會運行HADOOP上的Linux的用戶名，如果是eclipse，則修改完重啓eclipse，不然可能不生效
2.修改有問題的目錄權限

hadoop fs -chmod 755 /tmp

並hive-site.xml文件中增加以下配置

<property>
    <name>hive.scratch.dir.permission</name>
    <value>755</value>
</property>

20.運行Spark-SQL報錯：

  org.apache.spark.sql.AnalysisException: unresolved operator 'Project

解決辦法：

在Spark-sql和hive結合時或者單獨Spark-sql，運行某些sql語句時，偶爾出現上面錯誤，那麼我們可以檢查一下sql的問題，這裏遇到的問題是嵌套語句太多，導致spark無法解析，所以需要修改sql或者改用其他方式處理；特別注意該語句可能在hive裏面沒有錯誤，spark纔會出現的一種錯誤。

21.報錯信息如下:

org.apache.spark.SparkException: Only one SparkContext may be running in this JVM (see SPARK-2243). To ignore this error, set spark.driver.allowMultipleContexts = true.

解決方案：

使用Use this constructor JavaStreamingContext(sparkContext: JavaSparkContext, batchDuration: Duration) 替代 new JavaStreamingContext(sparkConf, Durations.seconds(5))

22.報錯信息如下:

java.lang.IllegalArgumentException: requirement failed: No output operations registered, so nothing to execute

解決方案：

tranformation最後一步產生的那個RDD必須有相應Action操作，例如massages.print()等

23.報錯信息如下:

ERROR ApplicationMaster: SparkContext did not initialize after waiting for 100000 ms. Please check earlier log output for errors. Failing the application

解決方案：

資源不能分配過大,或者沒有把.setMaster("local[*]")去掉

24.報錯信息如下:

java.util.regex.PatternSyntaxException: Dangling meta character '?' near index 0

解決方案：

元字符記得轉義

25.報錯信息如下:

Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/hadoop/fs/FSDataInputStream

解決方案：

編譯spark用了hadoop-provided參數，導致缺少hadoop相關包

26.報錯信息如下:

org.apache.spark.SparkException: Task failed while writing rows Caused by: org.elasticsearch.hadoop.rest.EsHadoopInvalidRequest: null

解決方案：

ES負載過高，修復ES

27.報錯信息如下:

org.apache.spark.SparkException: Task failed while writing rows scala.MatchError: Buffer(10.113.80.29, None) (of class scala.collection.convert.Wrappers$JListWrapper)

解決方案：

ES數據在sparksql類型轉化時不兼容，可通過EsSpark.esJsonRDD以字符串形式取ES數據，再把rdd轉換成dataframe

28.報錯信息如下:

SparkListenerBus has already stopped! Dropping event SparkListenerStageCompleted

解決方案：

集羣資源不夠，確保真實剩餘內存大於spark job申請的內存

29.報錯信息如下:

ExecutorLostFailure (executor 3 exited caused by one of the running tasks) Reason: Container killed by YARN for exceeding memory limits. 61.0 GB of 61 GB physical memory used

解決方案：

配置項spark.storage.memoryFraction默認值爲0.6, 應加大spark.storage.memoryFraction的係數

30.問題如下:

如何定位spark的數據傾斜

解決方案：

在Spark Web UI看一下當前stage各個task分配的數據量以及執行時間，根據stage劃分原理定位代碼中shuffle類算子

31.報錯信息如下:

如何解決spark數據傾斜

解決方案：

過濾少數導致傾斜的key（僅限於拋棄的Key對作業影響很小）
提高shuffle操作並行度（提升效果有限）
兩階段聚合（局部聚合+全局聚合），先對相同的key加前綴變成多個key，局部shuffle後再去掉前綴，再次進行全局shuffle（僅適用於聚合類的shuffle操作，效果明顯，對於join類的shuffle操作無效），
將reduce join轉爲map join，將小表進行廣播，對大表map操作，遍歷小表數據（僅適用於大小表或RDD情況）
使用隨機前綴和擴容RDD進行join，對其中一個RDD每條數據打上n以內的隨機前綴，用flatMap算子對另一個RDD進行n倍擴容並擴容後的每條數據依次打上0~n的前綴，最後將兩個改造key後的RDD進行join（能大幅緩解join類型數據傾斜，需要消耗鉅額內存）

32.報錯信息如下:

org.apache.spark.SparkException: Failed to get broadcast_790_piece0 of broadcast_790

解決方案：

刪除spark-defaults.conf文件中spark.cleaner.ttl的配置

33.報錯信息如下:

  MapperParsingException[Malformed content, must start with an object

解決方案：

採用接口JavaEsSpark.saveJsonToEs，因爲saveToEs只能處理對象不能處理字符串

34.報錯信息如下:

  java.util.concurrent.TimeoutException: Cannot receive any reply in 120 seconds

解決方案：

確保所有節點之間能夠免密碼登錄
確保所在的主機滿足spark-env.sh中分配的CPU個數,若spark-env.sh中分配的CPU個數爲一個,而master和worker在同一部主機上,則該主機需最少分配2個CPU

35.報錯信息如下:

Exception in thread "main" org.apache.spark.SparkException: Yarn application has already ended! It might have been killed or unable to launch application master.

解決方案：

出現此類問題有很多種, 當時遇到這問題的因爲是在spark未改動的情況下, 更換了Hive的版本導致版本不對出現了此問題, 解決此問題的方法是:

再次運行spark計算, 查看日誌中Hive的版本, 檢查當前Hive是否與Spark日誌中的Hive版本一致
若Hive版本不一致, 則刪除現有的Hive, 並刪除MySQL中Hive的元數據(若使用MySQL元數據庫), HDFS上hive, tmp, user目錄下的數據
安裝與Spark日誌中版本匹配的Hive

一.經驗

二.基本功能

三.Spark常見問題彙總

kylin入門到實戰

Spark自定義維護kafka的offset到zk 轉

Apache Zeppelin 中 Spark解釋器轉

Spark createDirectStream 維護 Kafka offset（Scala）轉

spark-streaming-kafka之createDirectStream模式轉

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

spark踩坑 轉

一.經驗

二.基本功能

三.Spark常見問題彙總

spark踩坑轉