spark常见问题 - 技术栈

写文章只是为了学习总结或者工作内容备忘，不保证及时性和准确性，看到的权当个参考哈！

1. 执行 Broadcast 大表时，等待超时异常（ awaitResult ）

现象：org.apache.spark.SparkException: Exception thrown in awaitResult:

java.util.concurrent.TimeoutException: Futures timed out after [300seconds]

原因分析：当数据需要broacast到executor上时，由于数据量较大、broacast超时导致。

解决方案：

设置spark.sql.autoBroadcastJoinThreshold=-1 不broadcast小表，直接走shuffle。（弊端：时间花费长，影响较大）

2.Task 任务在写文件时，发生管道中断关闭异常 ClosedByInterruptException

现象：Uncaught exception while reverting writes to file /data03/yarn/...............

java.nio.channels.ClosedByInterruptException

解决方案：查看该Task任务是否是推测执行任务，如果是属于正常现象，不影响任务。

3.DiskBlockManager 在创建本地目录失败

现象：Failed to create local dir in /data10/yarn/.............

原因分析：这个错误一般是磁盘满了或者要么是磁盘坏了。联系大数据平台运维人员。

4.SparkSQL 访问 HIVE 表时，找不到数据库或者元数据信息

现象：org.apache.spark.sql.catalyst.analysis.NoSuchDatabaseException: Database 'XXXX' not found;

解决方案：Step 1：查看hive的配置文件是否正确。

Step 2：在Step 1 基础上，查看是否存在该数据库。

Step 3：查看SparkSession 创建方法是否启用了Hive支持。正确的创建SparkSession 如下图：

5. 使用 wholeTextFiles 读取文件时，报非法参数异常

现象：Java.lang.IllegalArgumentException:.................wholeTextFiles.....CharBuffer.allocation.......

原因分析：wholeTextFile不支持一次性读入大于1G的大文件，因为是将整个文件内容变成一个Text对象，而Text对象是有长度限制。

解决方案：将单个大文件分割成多个小文件读取。

6. 数据倾斜

现象：为啥我有几个Task任务卡住不动已经很久了？现象如下图：

点到当前的stage Tab 中，效果图如下：

原因分析：典型的数据倾斜现象，所有的task都已经完成了，而正在运行的task任务超过了所有完成task时间中位数的1.5倍以上，发生了数据倾斜现象。

解决方案：1.如果是Spark sql 访问hive 表，由于上游的某个hive文件过大导致，需要避免上游的表落地时某个文件特别大。可以在sql后面添加distribute by rand() ; 并且适

当增大spark.sql.shuffle.partitions参数值。2．需要从代码和业务逻辑上去处理数据倾斜

问题。参考：https://www.cnblogs.com/hd-zg/p/6089220.html

7.TaskResultGetter在拉取block块的时候，Executor丢失，导致连接失败错误

现象：org.apache.spark.shuffle.FetchFailedException:Failed to connection.............

或者出现Executor Lost 现象。

原因分析：shuffle read的时候数据的分区数设置的很小，同时shuffle read的量很大，那么

将会导致一个task需要处理的数据非常大。结果导致JVM crash，从而导致取shuffle数据失

败，同时executor也丢失了，看到Failed to connect to host的错误，也就是executor lost的

意思。有时候即使不会导致JVM crash也会造成长时间的GC。

解决方案：

减少shuffle数据：首先考虑使用map side join或是broadcast join来规避shuffle的产生。将不必要的数据在shuffle前进行过滤，比如原始数据有20个字段，只要选取需要的字段进行处理即可，将会减少一定的shuffle数据。
针对于spark sql : 通过spark.sql.shuffle.partitions控制分区数，默认为40，根据shuffle的量以及计算的复杂度提高这个值。
针对RDD操作：通过spark.default.parallelism控制shuffle read与reduce处理的分区数，官方建议为设置成运行任务的executor的2-3倍。
提高executor的内存，通过spark.executor.memory适当提高executor的memory值。

8.Java 堆栈溢出错误

现象：Java.lang.StackOverflowError：

原因分析：

代码中有这样一段逻辑（示意）：

Dataset<Row> totalDS; // 总数据集

while (循环条件) {

Dataset<Row> batchDS = // 某种业务计算过程最后得到批次结果数据集;

totalDS = totalDS.union(batchDS); // 把这批次的结果合并到最终总结果中

}

// 最后用 totalDS 再去做计算

因为循环次数比较多，大约200多次，导致最后 totalDS 的 lineage 太长，造成Spark计算时递归过深引发 StackOverflowError。

解决方案：每循环20次就checkpoint保存一下检查点，这样强制截断lineage，结果就运行完了没有出问题。

9. 在代码中设置 Master 为 local 模式，实际提交模式为 yarn-cluster ，导致 SparkContext 初始化失败

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

解决方案：去掉setMaster("local[*]")

10.Executor 由于某个正在运行的 Task ，由于 Executor 内存使用超出限制，导致 Executor 的 Container 被 kill ，使得 Executor 退出

现象：ExecutorLostFailure (executor 3 exited caused by one of the running tasks) Reason: Container killed by YARN for exceeding memory limits. 8.1 GB of 8 GB physical memory used

原因分析：不合理的使用大量的cache 和 broadcast操作，导致executor 在运行task任务时资源紧张。

解决方法：尽量避免缓存过多的RDD ，移除RDD缓存操作，增加参数spark.storage.memoryFraction和spark.yarn.executor.memoryOverhead的值。适当增加executor的数量和内存。

11.driver RPC 超时

现象：org.apache.spark.rpc.RpcTimeoutException: Cannot receive any reply in 120 seconds. This timeout is controlled by spark.rpc.askTimeout at org.apache.spark.rpc.RpcTimeout org.apache.spark.rpc.RpcTimeout.org $apache$ spark $rpc$ RpcTimeout$$createRpcTimeoutException(RpcTimeout.scala:48) at org.apache.spark.rpc.RpcTimeout$$anonfun$addMessageIfTimeout$1.applyOrElse(RpcTimeout.scala:63)

原因分析：导致driver RPC 超时有两个原因：

（1）executor所在的节点宕掉了。

（2）运行在executor中的任务占用较大内存，导致executor长时间GC，心跳线程无法运行，从而引起心跳超时。

引发这个问题可能是发生了数据倾斜，导致stop the world。

解决方案：若存在数据倾斜，首先解决数据倾斜问题。适当增加executor数量和内存。避免长时间的GC。

12.SparkSql 使用 " $" 代替 col(), 需要导入隐式转换

现象：在scala 命令行模式可以直接用 $"column_name"的方式指定列数据，为什么sbt 打包的时候不能这么用？还得import column，使用col("column_name")来替代？能用$ 代替 col吗，需要怎么操作？

解决方案：import spark.implicits._（导入）

13.Python Spark 在生产线上提交任务，报错： command not find 。

解决方案：请参考如下脚本：（注意spark-submit的路径）

**14.**提高SparkSQL在shuffle之后Task的并发度

现象：明明有很多task，但是在处理量大的时候只分配40个，如何增加Task的数量。

解决方案：适当的增加 --conf spark.sql.shuffle.partitions参数的值，注意该参数只有存在shuffle行为下才能生效。

15. 由于打包冲突导致的 SparkContext 启动失败问题

解决方案：将spark相关依赖删掉，然后用maven命令mvn clean package重新打包。

16. 在 SparkSQL 中， sql 语句中存在着过长的计算表达式，导致 GeneratedIterator 超过了规定的字节数

现象：ERROR Thread-8 CodeGenerator: failed to compile: org.codehaus.janino.JaninoRuntimeException: Code of method "agg_doAggregateWithoutKey $(Lorg/apache/spark/sql/catalyst/expressions/GeneratedClass$ GeneratedIterator;)V" of class "org.apache.spark.sql.catalyst.expressions.GeneratedClass$GeneratedIterator" grows beyond 64 KB. 用户代码如下图所示：

原因分析：在SQL中拼凑循环累积计算某个表达，导致GeneratedIterator超过了规定的字节数64K。

解决方案：1.优化自身的表达式代码不要过长，可以分开计算。

2.或者设置spark.sql.codegen.wholeStage=false, 不适用codegen策略。

17.Spark 在执行 Task 任务时，发生 OOM 现象

现象：Java.lang.OutOfMemoryError:Java heap space

原因分析：如果处理的数据或者加载的数据很大，driver或者executor内存可能不够，出现上面的OOM错误。

解决方案：仔细查看日志，分清是driver端还是executor端OOM。先优化自身的代码，检查思考是否有必要在driver端处理大量的数据，有没有大量的cache或者broadcast操作，如果存在cache或者broadcast操作，去除该操作。适当的调大driver或者executor的内存大小。

19. 在 SparkSQL 中， SQL 语句存在大量的嵌套语句，导致 Spark 无法解析

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

解决方案：检查一下自己的sql是否嵌套太多的子查询语句，导致spark无法解析，所以需要修改sql或者改用其他方式处理；注意该语句可能在hive里面没有错误，但是在spark中会出错。

20.Task 返回给 driver 的数据量超过了 1G

现象：Total size of serialized results of 2000 tasks (2048MB) is bigger than spark.maxResultSize(1024.0 MB)

原因分析：ask返回给driver的数据量超过了规定的1G。

解决方案：设置参数spark.driver.maxResultSize=3G，参数的大小根据业务的实际情况而定。

21.IDE 日志中一直显示 "ACCEPTED" ，任务跑不动

现象：

原因分析：当前IDE系统的yarn队列资源暂时被占满。

解决方案：Spark阻塞在(state :ACCEPTED)状态

22.SparkSQL 中小文件数过多导致任务过慢

现象：IDE日志中长时间出现**如下内容：**可以，如下所示：

**原因分析：**小文件数较多（与Spark UI中的task数目相同），长时间在重命名小文件所在目录

解决方案：SQL最上方加参数：set spark.sql.adaptive.repartition.enabled=true ，并建议将中间临时表、目标表格式切换为DataSource表：Spark DataSource表推广文档