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，Tez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 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。 - 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