Spark MetadataFetchFailedException 问题排查

Spark MetadataFetchFailedException 问题排查,第1张

https://blog.csdn.net/u013332124/article/details/93629816

业务反馈某个任务运行失败,看Spark History Server发现多个Stage报如下错误:

从UI以及异常的信息来看,是下游Stage做Shuffle Read时发现数据丢失,之后上游Stage和本Stage都重新调度计算,但是重试又发生类似的情况,直到重试3次后整个application失败。

后面application又自动进行重试,但是依旧失败了,因此判断这不是偶然的情况。

所以问题只有一个: 为什么下游Stage要获取数据时,找不到上游Stage输出的数据了

shuffle的过程主要是上游Stage将数据写念瞎到磁盘,然后下游Stage通过Executor的BlockManager来拉取数据。如果下游Stage要拉取数据时Executor已经异常下线了,就会导致下游Stage拉取不到数据。这时候就会报MetadataFetchFailedException。

看了下Driver的日志,确实发现很多 Lost executor 日志( 如果Executor不是Driver主动通知退出的,Driver发现Executor长时间没有响应就会输出这条日志)。

随便找了台Lost Executor的日志,确实有些问题:

Executor异常退出的最大可能就是OOM了。这个任务配置的Executor内存是10g,core数量是8个,一个task需要的cpu是1个,因此task并行度是8。如果task需要的内存大于 10/8=1.25g的话,那很可能会导致OOM。

但是观察了下spark History server上数据量的大小,发现各个stage处理的数据量都不大,最多几十G,stage的task数量一般都是1000个,分摊下来一个task也就处理几百M那里,不至于导致OOM。 当然,不排除数据倾斜的问题。

最重要的是,如果Executor发生OOM,是会有出错日志的,但是看了几个Executor的日志,都没找到相关的出错日志。

还有一种情况是linux在系统内存使用紧张时会根据一些算法kill某些进程,Executor可能就会被kill掉。

后面看了下那个时间点机器的使用内存,发现还有大量的剩余内存。因此和OOMKiller无关

如果某个NodeManager在运行过程中工作磁盘使用率达到了一定的阀值,该NodeManager会被标记为UnHealth,同时在上面运行的Container都会被停止。

用df -h命令检查了下机器的磁盘使用情况,也没什么问题。因此排除这种可能

和判断NodeManager是否健康的配置有:

yarn.nodemanager.disk-health-checker.enable : 是否开启磁盘健康检查,默认是true,表示开启

yarn.nodemanager.disk-health-checker.min-healthy-disks :NodeManager上最少保证健康磁盘比例,当健康磁盘比例低于该值时,NodeManager不会再接收和启动新的Container,默认值是0.25,表示25%;

yarn.nodemanager.disk-health-checker.max-disk-utilization-per-disk-percentage :一块磁盘的最高使用枝蔽率,当一块磁盘的使用率超过该值时,则认为该盘为坏盘,不再使用该盘,默认是90,表示90%,可以适当调低;

yarn.nodemanager.disk-health-checker.min-free-space-per-disk-mb :一块磁盘最少保证剩余空间大小,当某块磁盘剩余空间低于该猛高州值时,将不再使用该盘,默认是0,表示0MB。

后面无意看到一个成功的Stage的某个失败Task日志,才知道yarn会因为内存问题会kill Executor:

异常信息也很明了,Executor使用的内存超过了限制,因此被Yarn Kill掉。

spark.yarn.executor.memoryOverHead默认配置是ExecutorMemory的10%,也就是1G。所以Executor在yarn这边申请的内存是11G。但是spark.yarn.executor.memoryOverHeap是堆外内存,主要用于JVM自身,字符串, NIO Buffer等开销,因此没做限制。

如果运行的task数量过多,OverHead的使用就会超过1G,最终Executor总的使用内存超过11G,yarn有个container内存使用检测机制,如果发现有container内存使用超标,就会主动kill这个Container。

这个问题的主要原因就是任务的task并行度是8,但是OverHead大小只有1G,在任务运行过程中不时的OverHead区域超过了1G,最终导致Executor被yarn给kill了。

举个例子,比如某个上游Stage的task运行成功将数据写入Executor A后,下游Stage的task又分发到这个Executor A上,这时运行过程中Executor A的OverHead区域使用超过了1G,整个Executor 被kill,这样Executor A上的shuffle数据就丢失了。后面的重试又不断的重复这样的场景,直到整个任务失败。

通过调整任务的参数可以解决这个问题。这个问题的主要原因在于OverHead的大小。因此我们有两个方向调整任务的参数:

Executor运行时会告诉yarn要申请的资源数量,如果要申请的内存超过yarn配置的 yarn.scheduler.maximux-allocation-mb值,yarn就会拒绝Executor的启动。

Executor启动后,yarn也有 Container 的内存监控机制。如果运行过程中Executor实际使用的内存超过了申请的内存,yarn发现了就会主动kill 这个Executor。比如Executor申请资源时指定要10G,但是运行过程过实际使用超过了10G,那么yarn就会主动kill这个Executor。

有两种情况可能导致Executor实际使用的内存超过预期值:

overhead的大小由spark.yarn.executor.memoryOverHead来配置,如果没配置,默认是ExecutorMemory的10%。

Executor向yarn申请内存时会自动算上overhead,但是还是会有overhead大小不够用的情况。

这种一般都发生在Executor同时运行的task数量比较多的情况,overhead区域主要用于JVM自身,字符串, NIO Buffer(Driect Buffer)等开销,如果task并发度太高,就会导致overhead区域不够用的情况。

因为overhead是堆外内存,因此它不会受JVM内存限制。但是overhead使用超过了预期的值后,yarn就开始kill这个 Executor了。

解决办法:

yarn对container内存的判断不单单只判断Executor的内存使用量,如果Executor又开启了一个子进程,这个子进程使用的内存也会算在Container的内存使用里面。

也就是说,yarn对container内存判断算的是整个Executor进程树的总内存大小。

典型的场景就是Executor中又进行了shell调用,shell运行的子程序又占用了一定大小,最终导致超过了预期值,然后Executor被yarn kill。

解决方法:

1.检查电脑是否存在病毒,请使用百度卫士进行木马查杀。

2.系统文件损坏或丢失,盗版系统或Ghost版本系统,很容易出现该问题。建议:使用完整版或正版系统。

3.安装的软件与系统或其它软件发生冲突,找到发生冲突的软件,卸载它。如果更新下载补丁不是该软件的错误补丁,也会引起软件异常,解决办法:卸载该软件,重新下载重新安装试试。顺便检查开机启动项,把没必要启动的启动项禁止开机启动。

4.如果检查上面的都没问题,可以试试下面的方法。

打开开始菜单→运行卖烂→输入cmd→回车,在命令提示符下输入下面命令 for %1 in (%windir%\system32\*.dll) do regsvr32.exe /s %1回车。

完成后,在输入下祥神面

for %i in (%windir%\system32\*.ocx) do regsvr32.exe /s %i 回车。

如果怕输入错误,可以复制这两条指令,然后在命令提示符后击鼠标右键,打“粘贴”,回车,谨配亏耐心等待,直到屏幕滚动停止为止。(重启电脑)。


欢迎分享,转载请注明来源:内存溢出

原文地址: https://outofmemory.cn/yw/12420068.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023-05-25
下一篇 2023-05-25

发表评论

登录后才能评论

评论列表(0条)

保存