一. 運(yùn)維

1. Master掛掉,standby重啟也失效

Master默認(rèn)使用512M內(nèi)存，當(dāng)集群中運(yùn)行的任務(wù)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(nèi)存不足自然會OOM，可以在master的運(yùn)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(nèi)存占用，在Master節(jié)點spark-env.sh 中設(shè)置：

    export SPARK_DAEMON_MEMORY 10g # 根據(jù)你的實際調(diào)整
   

2. 減少保存在Master內(nèi)存中的作業(yè)信息

    spark.ui.retainedJobs 500   # 默認(rèn)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(jié)點消失或處于dead狀態(tài)，在該節(jié)點運(yùn)行的任務(wù)則會報各種 lost worker 的錯誤，引發(fā)原因和上述大體相同，worker內(nèi)存中保存了大量的ui信息導(dǎo)致gc時失去和master之間的心跳。

解決

1. 增加Master的內(nèi)存占用，在Worker節(jié)點spark-env.sh 中設(shè)置：

    export SPARK_DAEMON_MEMORY 2g # 根據(jù)你的實際情況
   

2. 減少保存在Worker內(nèi)存中的Driver,Executor信息

    spark.worker.ui.retainedExecutors 200   # 默認(rèn)都是1000
    spark.worker.ui.retainedDrivers 200   
   

二. 運(yùn)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
   

   missing output location

2. shuffle fetch faild

    org.apache.spark.shuffle.FetchFailedException:
    Failed to connect to spark047215/192.168.47.215:50268
   

   shuffle fetch faild

   當(dāng)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(fā)生在有大量shuffle操作的時候,task不斷的failed,然后又重執(zhí)行，一直循環(huán)下去，直到application失敗。

faild

一般遇到這種問題提高executor內(nèi)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(shù)量為:7個

execuoterNum = spark.cores.max/spark.executor.cores 

每個executor的配置：

3core,15G RAM

消耗的內(nèi)存資源為:105G RAM

15G*7=105G

可以發(fā)現(xiàn)使用的資源并沒有提升，但是同樣的任務(wù)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(wǎng)絡(luò)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(jù)情況改成300(5min)或更高。
默認(rèn)為 120(120s),配置所有網(wǎng)絡(luò)傳輸?shù)难訒r，如果沒有主動設(shè)置以下參數(shù)，默認(rèn)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(shù)據(jù)傾斜

   數(shù)據(jù)傾斜

2. 任務(wù)傾斜
   差距不大的幾個task,有的運(yùn)行速度特別慢。

解決

大多數(shù)任務(wù)都完成了，還有那么一兩個任務(wù)怎么都跑不完或者跑的很慢，分為數(shù)據(jù)傾斜和task傾斜兩種。

1. 數(shù)據(jù)傾斜
   數(shù)據(jù)傾斜大多數(shù)情況是由于大量的無效數(shù)據(jù)引起，比如null或者""，也有可能是一些異常數(shù)據(jù)，比如統(tǒng)計用戶登錄情況時，出現(xiàn)某用戶登錄過千萬次的情況，無效數(shù)據(jù)在計算前需要過濾掉。
   數(shù)據(jù)處理有一個原則，多使用filter，這樣你真正需要分析的數(shù)據(jù)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(shù)據(jù)傾斜問題

2. 任務(wù)傾斜
   task傾斜原因比較多，網(wǎng)絡(luò)io,cpu,mem都有可能造成這個節(jié)點上的任務(wù)執(zhí)行緩慢，可以去看該節(jié)點的性能監(jiān)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(wù)導(dǎo)致該節(jié)點spark task運(yùn)行緩慢。
   或者可以開啟spark的推測機(jī)制，開啟推測機(jī)制后如果某一臺機(jī)器的幾個task特別慢，推測機(jī)制會將任務(wù)分配到其他機(jī)器執(zhí)行，最后Spark會選取最快的作為最終結(jié)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(nèi)存溢出

java.lang.OutOfMemoryError: Java heap space

解決

內(nèi)存不夠，數(shù)據(jù)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(shù)據(jù)聚合到driver導(dǎo)致。盡量不要使用collect操作即可。

2. executor OOM
   可以按下面的內(nèi)存優(yōu)化的方法增加code使用內(nèi)存空間

• 增加executor內(nèi)存總量,也就是說增加spark.executor.memory的值
• 增加任務(wù)并行度（大任務(wù)就被分成小任務(wù)了)，參考下面優(yōu)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(diào)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(zhí)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(shù)據(jù)庫創(chuàng)建連接方法。這些變量沒有序列化導(dǎo)致的任務(wù)報錯。

下面提供三種解決方法：

1. 將所有調(diào)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(chuàng)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(jìn)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(jìn)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(rèn)大小為1G 每個Spark action(如collect)所有分區(qū)的序列化結(jié)果的總大小限制，簡而言之就是executor給driver返回的結(jié)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(diào)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(dǎo)致ERROR

Caused by: java.lang.RuntimeException: Failed to commit task

Caused 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(fā)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(zhí)行過程中調(diào)用cache.count緩存一些中間數(shù)據(jù)從而切斷過長的stage。

8. driver did not authorize commit

driver did not authorize commit

9. 環(huán)境報錯

1. driver節(jié)點內(nèi)存不足
   driver內(nèi)存不足導(dǎo)致無法啟動application，將driver分配到內(nèi)存足夠的機(jī)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(shù)據(jù)或增加節(jié)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(yīng)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(jī)器端口使用過多
   在一臺機(jī)器上沒有指定端口的情況下，提交了超過15個任務(wù)。

    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(wù)時指定app web ui端口號或是修改最大嘗試次數(shù)

--conf spark.ui.port=4100
--conf spark.port.maxRetries=50

5. 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(rèn)會使用系統(tǒng)的字符集，因為各個節(jié)點系統(tǒng)字符集并不都是UTF8導(dǎo)致，所以會出現(xiàn)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(rèn)python版本為2.6，升級即可。

2.python權(quán)限不夠

錯誤提示

部分節(jié)點上有錯誤提示

java.io.IOExeception: Cannot run program "python2.7": error=13, 權(quán)限不夠

解決

新加的節(jié)點運(yùn)維裝2.7版本的python,python命令是正確的,python2.7卻無法調(diào)用，只要改改環(huán)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>))

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')

方法2:

//報錯
str(u'中國')
//不報錯
str(u'中國'.encode('utf-8'))

解決

該pickle文件是在0.17版本的scikit-learn下訓(xùn)練出來的，有些機(jī)器裝的是0.14版本，版本不一致導(dǎo)致，升級可解決，記得將老版本數(shù)據(jù)清理干凈，否則會報各種Cannot import xxx的錯誤。

四. 一些優(yōu)化

1. 部分Executor不執(zhí)行任務(wù)

有時候會發(fā)現(xiàn)部分executor并沒有在執(zhí)行任務(wù)，為什么呢？

(1) 任務(wù)partition數(shù)過少，
要知道每個partition只會在一個task上執(zhí)行任務(wù)。改變分區(qū)數(shù)，可以通過 repartition 方法，即使這樣，在 repartition 前還是要從數(shù)據(jù)源讀取數(shù)據(jù)，此時（讀入數(shù)據(jù)時）的并發(fā)度根據(jù)不同的數(shù)據(jù)源受到不同限制，常用的大概有以下幾種：

hdfs － block數(shù)就是partition數(shù)
mysql － 按讀入時的分區(qū)規(guī)則分partition
es - 分區(qū)數(shù)即為 es 的 分片數(shù)（shard）

(2) 數(shù)據(jù)本地性的副作用

taskSetManager在分發(fā)任務(wù)之前會先計算數(shù)據(jù)本地性，優(yōu)先級依次是：

process(同一個executor) -> node_local(同一個節(jié)點) -> rack_local(同一個機(jī)架) -> any(任何節(jié)點)

Spark會優(yōu)先執(zhí)行高優(yōu)先級的任務(wù)，任務(wù)完成的速度很快（小于設(shè)置的spark.locality.wait時間），則數(shù)據(jù)本地性下一級別的任務(wù)則一直不會啟動，這就是Spark的延時調(diào)度機(jī)制。

舉個極端例子：運(yùn)行一個count任務(wù)，如果數(shù)據(jù)全都堆積在某一臺節(jié)點上，那將只會有這臺機(jī)器在長期計算任務(wù)，集群中的其他機(jī)器則會處于等待狀態(tài)（等待本地性降級）而不執(zhí)行任務(wù)，造成了大量的資源浪費(fèi)。

判斷的公式為：

curTime – lastLaunchTime >= localityWaits(currentLocalityIndex)

其中 curTime 為系統(tǒng)當(dāng)前時間，lastLaunchTime 為在某優(yōu)先級下最后一次啟動task的時間

如果滿足這個條件則會進(jìn)入下一個優(yōu)先級的時間判斷，直到 any，不滿足則分配當(dāng)前優(yōu)先級的任務(wù)。

數(shù)據(jù)本地性任務(wù)分配的源碼在 taskSetManager.scala 。

如果存在大量executor處于等待狀態(tài)，可以降低以下參數(shù)的值（也可以設(shè)置為0），默認(rèn)都是3s。

    spark.locality.wait
spark.locality.wait.process
spark.locality.wait.node
spark.locality.wait.rack

當(dāng)你數(shù)據(jù)本地性很差，可適當(dāng)提高上述值，當(dāng)然也可以直接在集群中對數(shù)據(jù)進(jìn)行balance。

2. spark task 連續(xù)重試失敗

有可能哪臺worker節(jié)點出現(xiàn)了故障，task執(zhí)行失敗后會在該 executor 上不斷重試，達(dá)到最大重試次數(shù)后會導(dǎo)致整個 application 執(zhí)行失敗，我們可以設(shè)置失敗黑名單(task在該節(jié)點運(yùn)行失敗后會換節(jié)點重試)，可以看到在源碼中默認(rèn)設(shè)置的是 0

private val EXECUTOR_TASK_BLACKLIST_TIMEOUT =
    conf.getLong("spark.scheduler.executorTaskBlacklistTime", 0L)  

在 spark-default.sh 中設(shè)置

spark.scheduler.executorTaskBlacklistTime 30000

當(dāng) task 在該 executor 運(yùn)行失敗后會在其它 executor 中啟動，同時此 executor 會進(jìn)入黑名單30s（不會分發(fā)任務(wù)到該executor）。

3. 內(nèi)存

如果你的任務(wù)shuffle量特別大，同時rdd緩存比較少可以更改下面的參數(shù)進(jìn)一步提高任務(wù)運(yùn)行速度。

spark.storage.memoryFraction － 分配給rdd緩存的比例，默認(rèn)為0.6(60%)，如果緩存的數(shù)據(jù)較少可以降低該值。
spark.shuffle.memoryFraction - 分配給shuffle數(shù)據(jù)的內(nèi)存比例，默認(rèn)為0.2(20%)
剩下的20%內(nèi)存空間則是分配給代碼生成對象等。

如果任務(wù)運(yùn)行緩慢，jvm進(jìn)行頻繁gc或者內(nèi)存空間不足，或者可以降低上述的兩個值。
"spark.rdd.compress","true" － 默認(rèn)為false，壓縮序列化的RDD分區(qū),消耗一些cpu減少空間的使用

4. 并發(fā)

mysql讀取并發(fā)度優(yōu)化
spark 讀取 hdfs 數(shù)據(jù)分區(qū)規(guī)則

spark.default.parallelism
發(fā)生shuffle時的并行度，在standalone模式下的數(shù)量默認(rèn)為core的個數(shù)，也可手動調(diào)整，數(shù)量設(shè)置太大會造成很多小任務(wù)，增加啟動任務(wù)的開銷，太小，運(yùn)行大數(shù)據(jù)量的任務(wù)時速度緩慢。

spark.sql.shuffle.partitions
sql聚合操作(發(fā)生shuffle)時的并行度，默認(rèn)為200，如果該值太小會導(dǎo)致OOM,executor丟失，任務(wù)執(zhí)行時間過長的問題

相同的兩個任務(wù)：
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(shè)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(guān)閉task開銷，還有可能導(dǎo)致某些task hang住無法執(zhí)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。

5. shuffle

spark-sql join優(yōu)化
map-side-join 關(guān)聯(lián)優(yōu)化
spark range join 優(yōu)化

6. 磁盤

磁盤IO優(yōu)化

7.序列化

kryo Serialization

8.數(shù)據(jù)本地性

Spark不同Cluster Manager下的數(shù)據(jù)本地性表現(xiàn)
spark讀取hdfs數(shù)據(jù)本地性異常

9.代碼

編寫Spark程序的幾個優(yōu)化點

10.PySpark

PySpark Pandas UDF
在spark dataFrame 中使用 pandas dataframe
pypy on PySpark