数据开发的常见问题 - 开源大数据平台E-MapReduce

本文汇总了数据开发时的常见问题。

组件相关问题：

作业问题：

环境变量过多或者参数值过长时，为什么提交作业失败？
为什么Shell作业状态和相关的YARN Application状态不一致？
创建作业和执行计划的区别是什么？
多个ConsumerID消费同一个Topic时为什么TPS不一致？
为什么Spark Streaming作业已经结束，但是E-MapReduce控制台显示作业还处于“运行中”状态？
如何在MR作业中使用本地共享库？
如何在MR或Spark作业中指定OSS数据源文件路径？
为什么AppMaster调度启动Task的时间过长？
使用数据开发提交的作业一直处于Submit状态，该怎么办？

日志问题：

如何查看作业运行记录？
如何在OSS上查看日志？
E-MapReduce中是否可以查看Worker上的作业日志？
如何查看E-MapReduce服务的日志？
如何清理已经完成作业的日志数据？

异常诊断：

报错“Error: Could not find or load main class”
读写MaxCompute时，报错java.lang.RuntimeException.Parse response failed: ‘…’
报错"No space left on device"
访问OSS或LogService时报错ConnectTimeoutException或ConnectionException

功能使用：

E-MapReduce是否提供实时计算的功能？
作业参数传递至脚本文件该如何处理？
如何使用阿里云E-MapReduce HDFS的Balancer功能以及参数调优？
如果E-MapReduce控制台上没有自定义配置选项，该如何处理？

环境变量过多或者参数值过长时，为什么提交作业失败？

问题现象：提交作业时，报错信息如下。

Message: FailedReason:FailedReason:[[JOB_ENGINE][JOB_ENGINE_START_JOB_FAILED/ERR-200001] Failed to execute job: [FJ-xxxx]].

问题分析：数据开发系统存在单项目变量总数和长度限制。如果环境变量过多或者参数值过长（大于1024）都会导致提交作业失败。
解决方案：如果确实存在大量需要编辑的变量，请分项目添加变量，确保单项目变量数和长度较小。

为什么Shell作业状态和相关的YARN Application状态不一致？

问题现象：在数据开发页面编辑Shell作业类型，任意编写一个会拉起YARN Application的作业，例如 hive -f xxx.sql 。在YARN Application未结束前，单击作业终止按钮，此时数据开发作业状态为KILLED，但YARN Application仍然会继续运行，直到自然结束。
问题分析：终止Shell作业时会给Shell进程发送终止信号，如果YARN Application的驱动程序和Shell进程不存在父子进程关系，则YARN Application不会随Shell进程的终止而终止。例如Hive、sqoop、spark-submit（cluster模式）均存在这种情况。
解决方案：建议不要使用Shell类型作业开发Hive、Spark或Sqoop等作业，尽可能使用原生作业类型（例如，Hive、Spark或Sqoop等类型）进行开发，这些作业类型存在一定的关联机制，可以确保作业驱动程序本身和YARN Application状态的一致性。

创建作业和执行计划的区别是什么？

创建作业

在E-MapReduce中创建作业，实际只是创建了作业如何运行的配置，该配置中包括该作业要运行的JAR包、数据的输入输出地址以及一些运行参数。该配置创建好后，给它命名即定义了一个作业。
执行计划
执行计划是将作业与集群关联起来的一个纽带：
- 可以把多个作业组合成一个作业序列。
- 可以为作业准备一个运行集群（或者自动创建出一个临时集群或者关联一个已存在的集群）。
- 可以为这个作业序列设置周期执行计划，并在完成任务后自动释放集群。
- 可以在执行记录列表上查看每一次执行的情况与对应的日志。

如何查看作业运行记录？

提交作业后，您可以通过数据开发控制台或YARN UI方式查看作业运行记录。

数据开发控制台方式

该方式适用于通过控制台方式创建并提交作业的场景。
1. 作业运行后，您可以在日志页签中查看作业运行的日志。
2. 单击 运行记录 页签，可以查看作业实例的运行情况。
3. 单击目标运行记录右侧的详情，跳转到 运维中心 ，可以查看作业实例信息、提交日志和YARN容器列表。
YARN UI方式

该方式适用于通过控制台方式和命令行方式创建并提交作业的场景。
1. 开启8443端口。
2. 在目标集群的 集群管理 页签下，单击左侧菜单 访问链接与端口 。
3. 单击 YARN UI 后面的链接。
  
  在使用Knox账号访问YARN UI页面时，需要Knox账号的用户名和密码。
4. 在Hadoop控制台，单击目标作业的ID，可以查看作业运行的详情。

如何在OSS上查看日志？

在E-MapReduce数据开发的页面，找到对应的工作流实例，单击 运行记录 。
在 运行记录 区域，单击待查看工作流实例所在行的详情，在 作业实例信息 页面查看执行集群ID。
在日志保存目录 OSS://mybucket/emr/spark 下，查找执行集群ID目录。
在 OSS://mybucket/emr/spark/clusterID/jobs 目录下会按照作业的执行ID存放多个目录，每个目录下存放了这个作业的运行日志文件。

读写MaxCompute时，报错 `java.lang.RuntimeException.Parse response failed: ‘<!DOCTYPE html>…’`

问题分析：可能是MaxCompute Tunnel Endpoint填写错误。
解决方法：输入正确的MaxCompute Tunnel Endpoint，详情请参见 Endpoint 。

多个ConsumerID消费同一个Topic时为什么TPS不一致？

有可能这个Topic在公测或其他环境创建过，导致某些Consumer组消费数据不一致。

E-MapReduce中是否可以查看Worker上的作业日志？

可以。您可以通过YARN UI的方式查看Worker上的日志，详细信息请参见 YARN UI方式。

为什么Spark Streaming作业已经结束，但是E-MapReduce控制台显示作业还处于“运行中”状态？

问题分析：Spark Streaming作业的运行模式是Yarn-Client。
解决方法：因为E-MapReduce对Yarn-Client模式的Spark Streaming作业的状态监控存在问题，所以请修改为Yarn-Cluster模式。

报错 `“Error: Could not find or load main class”`

检查作业配置中作业JAR包的路径协议头是否是 ossref ，如果不是请改为 ossref 。

如何在MR作业中使用本地共享库？

您可以在阿里云E-MapReduce控制台，YARN服务的配置页面，修改 mapred-site.xml 页签如下参数。

<property>  
    <name>mapred.child.java.opts</name>  
    <value>-Xmx1024m -Djava.library.path=/usr/local/share/</value>  
  </property>  
  <property>  
    <name>mapreduce.admin.user.env</name>  
    <value>LD_LIBRARY_PATH=$HADOOP_COMMON_HOME/lib/native:/usr/local/lib</value>  
  </property>

如何在MR或Spark作业中指定OSS数据源文件路径？

您可以在作业中指定输入输出数据源时使用 OSS URL： oss://[accessKeyId:accessKeySecret@]bucket[.endpoint]/object/path 形式，类似 hdfs:// 。

您在操作OSS数据时：

（建议）E-MapReduce提供了MetaService服务，支持免AccessKey访问OSS数据，直接写 oss://bucket/object/path 。
（不建议）可以将AccessKey ID，AccessKey Secret以及Endpoint配置到Configuration（Spark作业是SparkConf，MR作业是Configuration）中，也可以在URI中直接指定AccessKey ID、AccessKey Secret以及Endpoint。

如何查看E-MapReduce服务的日志？

登录Master节点在 /mnt/disk1/log 中查看对应服务的日志。

报错 `"No space left on device"`

问题分析：
- Master或Worker节点空间不足，导致作业失败。
- 磁盘空间满导致本地Hive元数据库（MySQL Server）异常，Hive Metastore连接报错。
解决方法：清理Master节点磁盘空间、系统盘的空间以及HDFS空间。

访问OSS或LogService时报错ConnectTimeoutException或ConnectionException

问题分析：OSS Endpoint需要配置为公网地址，但EMR Worker节点并无公网IP，所以无法访问。
解决方法：
- 修改OSS Endpoint地址修为内网地址。
- 使用EMR metaservice功能，不指定Endpoint。
例如 select * from tbl limit 10 可以正常运行，但是执行 Hive SQL: select count(1) from tbl 时报错。修改OSS Endpoint地址为内网地址。
```
alter table tbl set location "oss://bucket.oss-cn-hangzhou-internal.aliyuncs.com/xxx"
alter table tbl partition (pt = 'xxxx-xx-xx') set location "oss://bucket.oss-cn-hangzhou-internal.aliyuncs.com/xxx"
```

如何清理已经完成作业的日志数据？

问题描述：集群的HDFS容量被写满，发现 /spark-history 下有大量的数据。
解决方法：
1. 在Spark 配置页面的 服务配置 区域，查看是否有 spark_history_fs_cleaner_enabled 参数：
  - 是：修改参数值为 true ，可以周期性清理已经完成的作业的日志数据。
  - 否：在 spark-defaults 页签下，单击 自定义配置 ，新增 spark_history_fs_cleaner_enabled 为 true 。
2. 单击右上角的操作 > 重启 All Components
3. 在 执行集群操作 对话框，输入 执行原因 ，单击确定。
4. 在弹出的确认对话框中，单击确定。

为什么AppMaster调度启动Task的时间过长？

问题分析：作业Task数目过多或Spark Executor数目过多，导致AppMaster调度启动Task的时间过长，单个Task运行时间较短，作业调度的Overhead较大。
解决方法：
- 减少Task数目，使用CombinedInputFormat。
- 提高前序作业产出数据的Block Size（ dfs.blocksize ）。
- 提高 mapreduce.input.fileinputformat.split.maxsize 。
- 对于Spark作业，在阿里云E-MapReduce控制台，Spark服务的配置页面，调节 spark.executor.instances 减少Executor数目，或者调节 spark.default.parallelism 降低并发数。

E-MapReduce是否提供实时计算的功能？

E-MapReduce提供Spark Streaming、Storm和Flink三种实时计算服务。

作业参数传递至脚本文件该如何处理？

在Hive作业中，您可以通过 -hivevar 选项，传递作业中配置的参数至脚本中。

准备脚本文件。
脚本文件中引用变量的方式为 ${varname} （例如 ${rating} ）。本示例中脚本的相关信息如下：
- 脚本名称： hivesql.hive
- 脚本的OSS路径： oss://bucket_name/path/to/hivesql.hive
- 脚本内容
```
use default;
 drop table demo;
 create table demo (userid int, username string, rating int);
 insert into demo values(100,"john",3),(200,"tom",4);
 select * from demo where rating=${rating};
```
进入数据开发页面。
1. 通过阿里云账号登录阿里云E-MapReduce控制台。
2. 在顶部菜单栏处，根据实际情况选择地域和资源组。
3. 单击上方的 数据开发 页签。
单击待编辑项目所在行的 作业编辑 。
新建Hive类型作业。
1. 在页面左侧，在需要操作的文件夹上单击右键，选择 新建作业 。
2. 在 新建作业 对话框中，输入 作业名称 和 作业描述 ，从 作业类型 下拉列表中选择 Hive 作业类型。
3. 单击确定。
编辑作业内容。
1. 在 基础设置 页面，设置参数的 Key 和 Value ，其中 Key 为脚本文件中的变量名，必须与脚本一致，例如 rating 。
2. 作业内容中必须添加 -hivevar 选项，以便传递作业中配置的参数值至脚本变量。
```
-hivevar rating=${rating} -f ossref://bucket_name/path/to/hivesql.hive
```
执行作业。

本示例执行结果如下。

如何使用阿里云E-MapReduce HDFS的Balancer功能以及参数调优？

登录待配置集群任意节点。

执行以下命令，切换到hdfs用户并执行Balancer参数。

su hdfs
/usr/lib/hadoop-current/sbin/start-balancer.sh -threshold 10

执行以下命令，查看Balancer运行情况：

方式一

less /var/log/hadoop-hdfs/hadoop-hdfs-balancer-emr-header-xx.cluster-xxx.log

方式二

tailf /var/log/hadoop-hdfs/hadoop-hdfs-balancer-emr-header-xx.cluster-xxx.log

参数	描述
Threshold	默认值为10%，表示上下浮动10%。当集群总使用率较高时，需要调小Threshold，避免阈值过高。当集群新增节点较多时，您可以适当增加Threshold，使数据从高使用率节点移向低使用率节点。
dfs.datanode.balance.max.concurrent.moves	默认值为5。指定DataNode节点并发移动的最大个数。通常考虑和磁盘数匹配，推荐在DataNode端设置为 `4 * 磁盘数` 作为上限，可以使用Balancer的值进行调节。例如：一个DataNode有28块盘，在Balancer端设置为28，DataNode端设置为 `28*4` 。具体使用时根据集群负载适当调整。在负载较低时，增加concurrent数；在负载较高时，减少concurrent数。
dfs.balancer.dispatcherThreads	Balancer在移动Block之前，每次迭代时查询出一个Block列表，分发给Mover线程使用。
dfs.balancer.rpc.per.sec	默认值为20，即每秒发送的rpc数量为20。因为分发线程调用大量getBlocks的rpc查询，所以为了避免NameNode由于分发线程压力过大，需要控制分发线程rpc的发送速度。例如，您可以在负载高的集群调整参数值，减小10或者5，对整体移动进度不会产生特别大的影响。
dfs.balancer.getBlocks.size	Balancer会在移动Block前，每次迭代时查询出一个Block列表，给Mover线程使用，默认Block列表中Block的大小为2GB。因为getBlocks过程会对RPC进行加锁，所以您可以根据NameNode压力进行调整。
dfs.balancer.moverThreads	默认值为1000。 Balancer处理移动Block的线程数，每个Block移动时会使用一个线程。
dfs.namenode.balancer.request.standby	默认值为false。 Balancer是否在Standby NameNode上查询要移动的Block。因为此类查询会对NameNode加锁，导致写文件时间较长，所以HA集群开启后只会在Standby NameNode上进行查询。
dfs.balancer.getBlocks.min-block-size	Balancer查询需要移动的参数时，对于较小Block（默认10 MB）移动效率较低，可以通过此参数过滤较小的Block，增加查询效率。
dfs.balancer.max-iteration-time	默认值为1200000，单位毫秒。 Balancer一次迭代的最长时间，超过后将进入下一次迭代。
dfs.balancer.block-move.timeout	默认值为0，单位毫秒。 Balancer在移动Block时，会出现由于个别数据块没有完成而导致迭代较长的情况，您可以通过此参数对移动长尾进行控制。

参数

描述

dfs.datanode.balance.bandwidthPerSec

指定DataNode用于Balancer的带宽，通常推荐设置为100 MB/s，您也可以通过 dfsadmin -setBalancerBandwidth 参数进行适当调整，无需重启DataNode。

例如，在负载低时，增加Balancer的带宽。在负载高时，减少Balancer的带宽。

dfs.datanode.balance.max.concurrent.moves

指定DataNode上同时用于Balancer待移动Block的最大线程个数。

```
cd /var/lib/ecm-agent/cache/ecm/service/HUE/4.4.0.3.1/package/templates/
```
```
vim hue.ini
```