重磅 解决 hadoop job 卡死 根源问题

做大数据&&算法 其实最重要的三件事 ，就是 管理数据 和集群运维 模型训练，一旦 远离这三个主题，大数据都无法发挥它应用的作用。

废话不多说，这几天主要是采坑了。我认为现在碰到的最要命的就是 碰到 集群 掉链此粗子 无法使用，导致 其他 同事无法运行 任务。

这几天，碰到了两次 hadoop mapreduce 卡死的现象 ，主要就是停留在 job 那里 无法进行，或者map 0 reduce 0.第一次 碰到时没有找到原因，用网上最粗暴的方法 重启了hadoop集群，暂时解决了问题。

今天又碰到了同样的问题，因为 logstash一直在往hdfs上写数据，一旦重启集群可能会丢失数据，所以 一直非常谨慎，不敢 行事。希望找到最主要的原因。通过在网上查找，其实大部分是三种

1.原先配置有严重错误问题，因为之前我的集群 运行良好，现在 卡死，可能是 最近 集群状态除了问题可以排除这一条，还有就是程序本身有问题，因为同一个程序运行小数据量的正常出了结果，大数据量就job卡死掉了，说明程序本身没有问题

2.剩下的两天就是 磁盘不足了和内存 不足了

先说磁盘不足 ，其实这个是半真半假的事情，我们三个 DataNode节点的 各有 12T 的数据存放 磁盘，12块1024G的磁盘构成，但是 系统盘 只有区区 60G，

内存不足 ，也是一个半真半假的事情，每个节点 12G 内存，三个节点36G，每个节点 cpu 六核。

为了确定问题的根源，只能先看 hadoop的logs 日志，Master 和 DataNode的logs 都看了，但是都没有找到具体的原因，有点沮丧，后来 就去手烂分析 job 执行 的网页状态，job状态也没有发现太多问题，因为 job卡死，很多job 就直接被 hadoop job -kill job_id 掉了

后来就看 集群状态图，发现一些猫腻。 CPU total 变成0 了，memery也是 0，接着再看，发现 node unhealthy 出现了 3，

点开一看，三个数据节点都是unhealthy的。

那么 这个unhealthy 是一个更明晰的问题特征，

接着就跟着往深里 找原因，出现 unhealthy 两种原因，1. 节点通信故障 ，因为hdfs 一直在写数据 很正常，可以排除

2。磁盘 真的 不足了，但是我的节点12个磁盘都是在没有超过80%呀，只有系森薯镇统盘超过了90%，难道hadoop 连系统盘都算是检查的盘，好吧，可能是，之后就按网上的以解决磁盘不足导致job卡死。

主要是 hadoop 默认检查 磁盘状况，一旦超过默认的90%就会 导致 数据节点拒绝执行mapreduce，通过在yarn-site.xml 设置 更大的阈值，延迟 节点拒绝mapreduce的情况。通过在其中添加

<property><name>yarn.nodemanager.disk-health-checker.min-healthy-disks</name><value>0.0</value></property><property><name>yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage</name><value>100.0</value></property>

集群也没有重启，Master和数据节点 四个机器都修改了，然后就生效。所以说 有些配置可以不重启集群实现的。

如果要重启，网上给出 只用重启 NodeManager 和Resourcemannager

`

3.1 重启nodemanager：

/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh stop nodemanager

/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh start nodemanager

3.2 重启resourcemanager，(否则会导致修改的节点状态错乱)

/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh stop resourcemanager

/usr/local/goldmine/hadoop/default/sbin/yarn-daemon.sh start resourcemanager

3.3 刷新 http://hadoop/cluster/nodes/unhealthy 页面： 可以看到不健康的nodemanager已经消失在列表了。3.4 命令显示yarn各节点状态：

yarn node -list -all

`

也定位到了原来是系统磁盘惹得鬼，下次在建hadoop集群，系统磁盘也一定要足够大，不然会严重影响集群的稳定。

之后执行job 完美执行了，再看系统盘也恢复到40%一下，刚才主要是系统盘有一些【临时文件】导致的。

之后发现 job 又卡死了，但是这次是卡死在 map12 reduce0中，好诡异，之前 发生了一件事情，map60% 后，竟然回滚了到了map 0,接着卡死。再次查看系统盘，又 飙到了97% 99% 96%，因为系统盘无法 扩容，这可咋整。

那我们就要想想 为什么 系统盘会突然猛增大量的临时文件 挤占磁盘空间，为什么 为什么！！！！！！，想了半天我终于知道了，这和hadoop的mapreduce 原理有关，如果是spark就不会出现这种情况，更多的是内存不足，hadoop 的mapreduce 在map的中间结果会保留在磁盘上，而spark的中间结果会放在内存里，所以更快更吃内存。

正是因为hadoop的中间结果保存在了磁盘上，导致猛增大量临时文件。好，现在问题的根源找到了，就是mapreduce 的中间文件太大影响了 磁盘空间 导致节点拒绝服务，内存 和CPU 拒绝提供 都为 0， 导致 没有资源，job 卡死。也说明了，为啥 小数据量程序正常，大数据量了反而 job卡死，正是因为 数据量越大 中间结果就更多，挤占磁盘就更多。

但是我们 执行mapreduce就是要产生中间文件的，这个是源码规定 适合hadoop运行保障的，不可以修改，那么 既然中间临时文件必须产生，主要就是把中间文件放在哪里，可以保障 挤占磁盘的百分比更小，当然是更大的磁盘了，我们的最小磁盘是系统盘，所以最容易增长百分比，job卡死，所以我们要用最大的盘 保留 中间结果，我们最大的盘是1024G，就用这个就可以了，然后就是设置 mapreduce中间结果路径，在配置文件里，到这里，问题就等于从根源上解决了。

hadoop 2.8.1 需要在 mapred-site.xml 设置 map.local.dir 和

map.tmp.dir 属性对应的 磁盘目录

1，启动失败

问题描州激述：在master上运行start-all.sh之后提示Caused by: java.net.URISyntaxException: Illegal character in authority at index 7: hdfs://master:9000，导致secondarynamenode无法启动。

问题原因：core-site.xml中<value>hdfs://master:9000 </value>多了一个空格。

解决方法：去掉多余空格。记得更新到其他slave节点，否则slave节点的相关进程会无法启动。

2，停止失败

问题描述：运行stop-all.sh之后使用jps依然能查看到jobtracker、namenode等进程。

问题原因：/tmp目录下有以前使用其他版本留下的文件没有删除。

解决方法：su到root用户，删除tmp目录下的所有文件。

3，启动失败

问题描述：在master上运行start-all.sh之后提示java.net.BindException。

问题原因：端口被占。

解决方法：lsof -i:9000等在conf中配置的端口，如果弯大找到相应的进程，用kill命令杀掉即可。

4，启动失败

问题描述：slave上的datanode和tasktracker无法成功启动，日志中提示册闹袜No route to host。

问题原因：master上的防火墙阻止连接。

解决办法：

1. turn off the firewall

sudo service iptables stop

2. allow the traffic in port 9000

sudo iptables -A INPUT -p tcp --dport 9000 -j ACCEPT

sudo /etc/rc.d/init.d/iptables save

sudo service iptables restart

5，使用失败

问题描述：用hadoop fs -put file命令时，提示could only be replicated to 0 nodes, instead of 1

问题原因：slave上的防火墙阻止连接

解决办法：同4，注意：用sudo命令运行service时密码是当前用户的密码。

6，使用失败

问题描述：slave的reduce一直在copy数据，不能动。

问题原因：/etc/hosts配置中被系统自动加入一行192.168.100.134slave1 # Added by NetworkManager，覆盖了手动配置的映射。

解决办法：注释该配置即可

1、果断看你的后台在master.....log日志文件中的日志输出，拦衡它会告诉你原因。

2、学hadoop的时候，配置项和知识点很多，个人遇到的也不一样，但解决问题不变的原简孙做则就是出现问题先找日志。只要细心和专业点，都能独立凯乎解决点这个问题。

---