本文汇总了数据开发时的常见问题。

环境变量过多或者参数值过长时，为什么提交作业失败？

  • 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。作业运行记录
    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，详情请参见设置安全组访问。
    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，详情请参见管理用户。

    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。Hadoop控制台

如何在OSS上查看日志？

  1. 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。
  2. 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。
  3. 在日志保存目录OSS://mybucket/emr/spark下，查找执行集群ID目录。
  4. 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。详情请参见开发准备。

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。
  1. 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};
  2. 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。
  3. 单击待编辑项目所在行的作业编辑。
  4. 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。
  5. 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。config_parameter
    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
  6. 执行作业。
    本示例执行结果如下。 submit_log

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

  1. 登录待配置集群任意节点。
  2. 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
  3. 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 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。
    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 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。

如果E-MapReduce控制台上没有自定义配置选项，该如何处理？

  1. 登录集群的Master节点，详情请参见登录集群。
  2. 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/
    hue 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。
  3. 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。

  4. 在E-MapReduce控制台，重启服务以生效配置。

使用数据开发提交的作业一直处于Submit状态，该如何处理？

问题现象如下图所示。 Submit
出现此问题，通常是因为EMRFLOW中部分组件状态错误，您需要在控制台重启状态错误的组件。
  1. 进入EMRFLOW页面。
    1. 进入任意服务页面，修改访问链接后的服务名为EMRFLOW。hdfs
      说明 本示例是先进入HDFS服务页面。
    2. 单击部署拓扑页签。
  2. 启动组件。
    1. 在部署拓扑页签，单击组件处于STOPPED状态操作列的启动。Stopped
    2. 在执行集群操作对话中，输入执行原因，单击确定。
    3. 在确认对话中，单击确定。
  3. 查看日志信息，检查组件是否启动。
    1. 单击上方的查看操作历史。
    2. 在操作历史对话框中，单击操作类型列的Start EMRFLOW FlowAgentDaemon。Start Flow
    3. 单击主机名列的emr-header-1。emr-header
    4. 单击任务名列的START_FlowAgentDaemon_ON_emr-header-1。Start-FlowAgent
    5. 当任务日志区域，提示如下图所示时表示组件启动成功。SUCCESS
      说明 组件启动后，如果还有报错，请根据日志信息排查并处理。如果报错信息提示权限问题，您可以先通过SSH方式登录集群，执行命令 sudo chown flowagent:hadoop /mnt/disk1/log/flow-agent/*处理，然后按照上述步骤重新操作以重启状态错误的组件。