本文汇总了数据开发时的常见问题。
- 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Hive创建的外部表没有数据?
- 为什么Spark Streaming作业运行一段时间后无故结束?
- 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?
- Beeline如何访问Kerberos安全集群?
- Spark接收Flume数据时为什么出现内存超用?
- 为什么作业运行较慢?
- 为什么AppMaster调度启动Task的时间过长?
- 导入RDS数据至EMR时,时间字段显示延迟8小时如何处理?
- “Error: Could not find or load main class”
- Spark SQL连RDS出现“Invalid authorization specification, message from server: ip not in whitelist”
- 读写MaxCompute时,抛出java.lang.RuntimeException.Parse response failed: ‘<!DOCTYPE html>…’
- Spark SQL报错“Exception in thread “main” java.sql.SQLException: No suitable driver found for jdbc:mysql:xxx”
- Hive或Impala作业读取SparkSQL导入的Parquet表报错(表包含Decimal格式的列)“Failed with exception java.io.IOException:org.apache.parquet.io.ParquetDecodingException: Can not read value at 0 in block -1 in file hdfs://…/…/part-00000-xxx.snappy.parquet”
- ThriftServer进程正常,但链接出现异常,报错 “Connection refused telnet emr-header-1 10001” 无法连接
- Spark作业报错 "Container killed by YARN for exceeding memory limits." 或者MR作业报错 "Container is running beyond physical memory limits."
- "Error: Java heap space"
- "No space left on device"
- 访问OSS或LogService时报错ConnectTimeoutException或ConnectionException
- 读取Snappy文件时报错OutOfMemoryError
- "Exception in thread main java.lang.RuntimeException: java.lang.ClassNotFoundException: Class com.aliyun.fs.oss.nat.NativeOssFileSystem not found”
- Spark中使用OSS SDK出现 "java.lang.NoSuchMethodError:org.apache.http.conn.ssl.SSLConnetionSocketFactory.init(Ljavax/net/ssl/SSLContext;Ljavax/net/ssl/HostnameVerifier)"
- "java.lang.IllegalArgumentException: Wrong FS: oss://xxxxx, expected: hdfs://ip:9000"
- Spark作业报错 "java.lang.IllegalArgumentException: Size exceeds Integer.MAX_VALUE"
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执行成功情况与日志。
如何查看作业日志?
您可以直接在EMR控制台上查看作业日志。如果您是登录到Master节点提交作业和运行脚本,则您可以根据脚本自行规划。
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,抛出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。
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。请将对应的Topic和ConsumerID提交工单处理。
E-MapReduce中是否可以查看作业的Worker上日志?
可以。
为什么Hive创建的外部表没有数据?
问题描述:创建完外部表后查询没有数据返回。
CREATE EXTERNAL TABLE storage_log(content STRING) PARTITIONED BY (ds STRING)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
STORED AS TEXTFILE
LOCATION 'oss://log-12453****/your-logs/airtake/pro/storage';
hive> select * from storage_log;
问题分析:Hive不会自动关联指定Partitions目录。
alter table storage_log add partition(ds=123); OK
Time taken: 0.137 seconds
hive> select * from storage_log;
OK
abcd 123
efgh 123
为什么Spark Streaming作业运行一段时间后无故结束?
- 首先检查Spark版本是否是1.6之前版本,如果是的话更新Spark版本。
Spark 1.6之前版本存在内存泄漏的BUG,此BUG会导致Container被中止掉。
- 检查自己的代码在内存使用上有没有做好优化。
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。
“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?
<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=$HADOOP_COMMON_HOME/lib/native:/usr/local/lib</value>
</property>
如何在MR或Spark作业中指定OSS数据源文件路径?
您可以在作业中指定输入输出数据源时使用OSS URL: oss://[accessKeyId:accessKeySecret@]bucket[.endpoint]/object/path
形式,类似hdfs://
。
- (建议)E-MapReduce提供了MetaService服务,支持免AccessKey访问OSS数据,直接写oss://bucket/object/path。
- (不建议)可以将AccessKey ID,AccessKey Secret以及Endpoint配置到Configuration(Spark作业是SparkConf,MR作业是Configuration)中,也可以在URI中直接指定AccessKey ID、AccessKey Secret以及Endpoint。详情请参见开发准备。
Spark SQL报错“Exception in thread “main” java.sql.SQLException: No suitable driver found for jdbc:mysql:xxx”
问题分析:mysql-connector-java版本过低。
解决方法:更新mysql-connector-java至最新版本。
Spark SQL连RDS出现“Invalid authorization specification, message from server: ip not in whitelist”
检查RDS的白名单设置,将集群机器的内网地址添加到RDS的白名单中。
Hive或Impala作业读取SparkSQL导入的Parquet表报错(表包含Decimal格式的列)“Failed with exception java.io.IOException:org.apache.parquet.io.ParquetDecodingException: Can not read value at 0 in block -1 in file hdfs://…/…/part-00000-xxx.snappy.parquet”
由于Hive和SparkSQL在Decimal类型上使用了不同的转换方式写入Parquet,导致Hive无法正确读取SparkSQL导入的数据。对于已有的使用SparkSQL导入的数据,如果有被Hive或Impala使用的需求,建议加上spark.sql.parquet.writeLegacyFormat=true重新导入数据。
Beeline如何访问Kerberos安全集群?
- HA集群(Discovery模式)
!connect jdbc:hive2://emr-header-1:2181,emr-header-2:2181,emr-header-3:2181/;serviceDiscoveryMode=zooKeeper;zooKeeperNamespace=hiveserver2;principal=hive/_HOST@EMR.${clusterId).COM
- HA集群
- 连接emr-header-1
!connect jdbc:hive2://emr-header-1:10000/;principal=hive/emr-header-1@EMR.${clusterId}.COM
- 连接emr-header-2
!connect jdbc:hive2://emr-header-2:10000/;principal=hive/emr-header-2@EMR.${clusterId}.COM
- 连接emr-header-1
- 非HA集群
!connect jdbc:hive2://emr-header-1:10000/;principal=hive/emr-header-1@EMR.${clusterId}.COM
ThriftServer进程正常,但链接出现异常,报错 “Connection refused telnet emr-header-1 10001” 无法连接
您可以查看/mnt/disk1/log/spark日志。该问题是由于thrift server oom需要扩大内存,因此调大spark.driver.memory的值即可。
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。
Spark作业报错 "Container killed by YARN for exceeding memory limits." 或者MR作业报错 "Container is running beyond physical memory limits."
问题分析:提交App时申请的内存量较低,但JVM启动占用了更多的内存,超过了自身的申请量,导致被NodeManager异常终止。特别是Spark类型作业,可能会占用多的堆外内存,很容易被异常终止。
- Spark作业,在阿里云E-MapReduce控制台,YARN服务的配置页面,调大spark.yarn.driver.memoryOverhead或spark.yarn.executor.memoryOverhead的值。
- MapReduce作业,在阿里云E-MapReduce控制台,YARN服务的配置页面,调大mapreduce.map.memory.mb或mapreduce.reduce.memory.mb的值。
"Error: Java heap space"
问题分析:作业Task处理的数据量较大,但Task JVM申请的内存量不足从而抛出OutOfMemoryError。
- Spark 作业,在阿里云E-MapReduce控制台,YARN服务的配置页面,调大spark.executor.memory或 spark.driver.memory的值。
- MapReduce作业,在阿里云E-MapReduce控制台,YARN服务的配置页面,调大mapreduce.map.java.opts或mapreduce.reduce.java.opts的值。
"No space left on device"
- 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。
- 修改OSS Endpoint地址修为内网地址。
- 使用EMR metaservice功能,不指定Endpoint。
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"
读取Snappy文件时报错OutOfMemoryError
问题分析:LogService等服务写入的标准Snappy文件和Hadoop的Snappy文件格式不同,EMR默认处理的是Hadoop修改过的Snappy格式,处理标准格式时会抛出OutOfMemoryError。
- Hive作业:配置
set io.compression.codec.snappy.native=true
。 - MR作业:配置
Dio.compression.codec.snappy.native=true
。 - Spark作业:配置
spark.hadoop.io.compression.codec.snappy.native=true
。
"Exception in thread main java.lang.RuntimeException: java.lang.ClassNotFoundException: Class com.aliyun.fs.oss.nat.NativeOssFileSystem not found”
在Spark作业中读写OSS数据时,需要安装E-MapReduce SDK,详情请参见准备工作。
Spark接收Flume数据时为什么出现内存超用?
检查接收数据方式是否是Push-based。如果不是,请修改为Push-based方式接收数据,详情请参见Spark Streaming + Flume Integration Guide。
"Caused by: java.io.IOException: Input stream cannot be reset as 5242880 bytes have been written, exceeding the available buffer size of 524288"
(OSS)网络连接重试时缓存不足,请使用1.1.0版本以上的aliyun-java-sdk-emr包。
Spark中使用OSS SDK出现 "java.lang.NoSuchMethodError:org.apache.http.conn.ssl.SSLConnetionSocketFactory.init(Ljavax/net/ssl/SSLContext;Ljavax/net/ssl/HostnameVerifier)"
因为OSS SDK与Spark和Hadoop的运行环境存在版本依赖冲突,所以不建议在代码中使用OSS SDK。
"java.lang.IllegalArgumentException: Wrong FS: oss://xxxxx, expected: hdfs://ip:9000"
Path outputPath = new Path(EMapReduceOSSUtil.buildOSSCompleteUri("oss://bucket/path", conf));
org.apache.hadoop.fs.FileSystem fs = org.apache.hadoop.fs.FileSystem.get(outputPath.toUri(), conf);
if (fs.exists(outputPath)) {
fs.delete(outputPath, true);
}
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。
- 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。
- 单击右上角的
- 在执行集群操作对话框,输入执行原因,单击确定。
- 在弹出的确认对话框中,单击确定。
为什么作业运行较慢?
问题分析:作业的JVM Heap Size设置过小,可能会引起长时间的GC,影响作业性能。
- Tez:在阿里云E-MapReduce控制台,Tea服务的配置页面,可以调大Hive参数hive.tez.java.opts的值。
- Spark:在阿里云E-MapReduce控制台,YARN服务的配置页面,可以调大spark.executor.memory或spark.driver.memory的值。
- Mapreduce:在阿里云E-MapReduce控制台,YARN服务的配置页面,可以调大mapreduce.map.java.opts或mapreduce.reduce.java.opts或mapreduce.map.java.opts或mapreduce.reduce.java.opts的值。
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。
- 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。
Spark作业报错 "java.lang.IllegalArgumentException: Size exceeds Integer.MAX_VALUE"
在Shuffle时,Partition数量过少使得Block Size超过Integer.MAX_VALUE最大值。您可以尝试增大Partition数目,在阿里云E-MapReduce控制台,YARN服务的配置页面,调大spark.default.parallelism和spark.sql.shuffle.partitions,或者在Shuffle前执行Repartition。
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。
导入RDS数据至EMR时,时间字段显示延迟8小时如何处理?
- 例如,在云数据库RDS数据源中,数据表Test_Table中包含时间戳(TIMESTAMP)字段。
- 您可以执行以下命令,导入Test_Table中的数据至HDFS。
sqoop import \ --connect jdbc:mysql://rm-2ze****341.mysql.rds.aliyuncs.com:3306/s***o_sqoopp_db \ --username s***o \ --password ****** \ --table play_evolutions \ --target-dir /user/hadoop/output \ --delete-target-dir \ --direct \ --split-by id \ --fields-terminated-by '|' \ -m 1
- 查询导入结果。
查询结果显示,源数据的时间字段显示延迟8小时。
sqoop import \
--connect jdbc:mysql://rm-2ze****341.mysql.rds.aliyuncs.com:3306/s***o_sqoopp_db \
--username s***o \
--password ****** \
--table play_evolutions \
--target-dir /user/hadoop/output \
--delete-target-dir \
--split-by id \
--fields-terminated-by '|' \
-m 1

如何修改Spark服务的spark-env配置?
作业参数传递至脚本文件该如何处理?
-hivevar
选项,传递作业中配置的参至脚本中。
- 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=${rating};
- 登录阿里云E-MapReduce控制台。
- 在顶部菜单栏处,根据实际情况选择地域(Region)和资源组。
- 单击上方的数据开发页签。
- 在项目列表页面,单击对应项目所在行的作业编辑。
- 在作业编辑区域,右键单击需要操作的文件夹,选择新建作业。
- 输入作业名称和作业描述,选择Hive作业类型。
- 配置作业。
- 在基础设置页面,设置参数的Key和Value,其中Key为脚本文件中的变量名,必须与脚本一致,例如rating。
- 作业内容中必须添加
-hivevar
选项,以便传递作业中配置的参数值至脚本变量。-hivevar rating=${rating} -f ossref://bucket_name/path/to/hivesql.hive
- 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。
- 执行作业。
本示例执行结果如下。
如何设置HiveServer2的认证方式为LDAP?
- 登录阿里云E-MapReduce控制台。
- 在顶部菜单栏处,根据实际情况选择地域(Region)和资源组。
- 单击上方的集群管理页签。
- 在集群管理页面,单击相应集群所在行的详情。
- 在左侧导航栏,单击 。
- 新增LDAP认证配置项并重启HiveServer2。
- 单击配置页签,在服务配置区域单击hiveserver2-site。
- 单击自定义配置。
LDAP认证方式需要新增如下三个配置项。
配置项 值 描述 hive.server2.authentication LDAP 认证方式。 hive.server2.authentication.ldap.url 格式为ldap://${emr-header-1-hostname}:10389 ${emr-header-1-hostname}是您实际的主机名称,您可以在集群的emr-header-1上执行 hostname
命令获取,连接主机的步骤请参见使用SSH连接主节点。hive.server2.authentication.ldap.baseDN ou=people,o=emr 无 - 完成上述参数配置后,单击右上方的保存。
- 在确认修改对话框中,配置各项参数,单击确定。
- 单击右上方的 。
- 在执行集群操作对话框中,配置各项参数,单击确定。
- 在确认对话框中,单击确定。
- 单击配置页签,在服务配置区域单击hiveserver2-site。
- 在LDAP中添加账号。
在E-MapReduce集群中,OpenLDAP组件是LDAP的服务,默认用于管理Knox的用户账号,HiveServer2的LDAP认证方式可以复用Knox的账号体系。添加账号的方法请参见用户管理。
本示例新增账号为emr-guest。
- 测试新增账号是否可以正常登录HiveServer2。
通过/usr/lib/hive-current/bin/beeline登录HiveServer2,正常登录情况如下。
beeline> !connect jdbc:hive2://emr-header-1:10000/ Enter username for jdbc:hive2://emr-header-1:10000/: emr-guest Enter password for jdbc:hive2://emr-header-1:10000/: emr-guest-pwd Transaction isolation: TRANSACTION_REPEATABLE_READ
如果账号密码不正确,则会显示如下异常。Error: Could not open client transport with JDBC Uri: jdbc:hive2://emr-header-1:10000/: Peer indicated failure: Error validating the login (state=08S01,code=0)
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
说明 当提示信息包含Successfully
字样时,表示执行成功。Balancer的主要参数。参数 说明 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。说明 DataNode端需要重启来刷新配置。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。 说明 dispatcherThreads是该分发线程的个数,默认为200。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。
DataNode的主要参数。参数 说明 dfs.datanode.balance.bandwidthPerSec 默认值为1 MB/s。 指定DataNode用于Balancer的带宽,通常推荐设置为100 MB/s,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。 - 方式一
如何使用standlone模式提交Spark任务?
E-MapReduce默认使用Spark on Yarn模式,暂不支持standlone模式。
如果E-MapReduce控制台上没有自定义配置选项,该如何处理?
- 登录集群的Master节点,详情请参见使用SSH连接主节点。
- 进入配置模板的目录。
cd /var/lib/ecm-agent/cache/ecm/service/HUE/4.4.0.3.1/package/templates/
本示例以HUE
为例:HUE
表示服务的目录。4.4.0.3.1
为Hue的版本。hue.ini
为配置文件。
- 执行以下命令,添加您需要的配置。
vim hue.ini
当配置项已存在时,您可以根据时间情况修改参数值。
- 在E-MapReduce控制台,重启服务以生效配置。
在文档使用中是否遇到以下问题
更多建议
匿名提交