Spark常见问题

如何自检项目工程？

在DataWorks上运行ODPS Spark节点的步骤是什么？

1. 在本地Python环境中编辑Spark代码并打包。本地Python环境版本要求为Python 2.7。

2. 上传资源包至DataWorks。详情请参见创建并使用MaxCompute资源。

3. 在DataWorks上创建ODPS Spark节点。详情请参见创建ODPS Spark节点。

4. 编写代码并运行节点，在DataWorks控制台上即可查看运行结果。

Spark on MaxCompute如何在本地进行调试？

您可以通过IntelliJ IDEA在本地进行调试。详情请参见搭建Linux开发环境。

如何通过Spark访问VPC环境内的服务？

更多通过Spark访问VPC环境内的服务信息，请参见Spark访问VPC实例。

如何把JAR包当成资源来引用？

spark.hadoop.odps.cupid.resources = projectname.xx0.jar,projectname.xx1.jar 

如何通过Spark传入参数？

传参详情请参见Spark on DataWorks。

如何将Spark流式读取的DataHub数据写入MaxCompute？

示例代码请参见DataHub。

如何将开源Spark代码迁移至Spark on MaxCompute？

如何通过Spark处理MaxCompute中的表数据？

Spark on MaxCompute支持Local、Cluster和DataWorks运行模式。三种模式的配置不同，详情请参见运行模式。

如何设置Spark资源并行度？

如何解决内存不足问题？

• 常见报错：

  • java.lang.OutOfMemoryError: Java heap space。

  • java.lang.OutOfMemoryError: GC overhead limit exceeded。

  • Cannot allocate memory。

  • The job has been killed by "OOM Killer", please check your job's memory usage。

• 解决方案：

  • 设置Executor内存。

    • 参数：spark.executor.memory。

    • 参数说明：代表每个Executor的内存。通常与spark.executor.cores保持1:4设置即可，例如设置spark.executor.cores为1，spark.executor.memory为4 GB。当Executor抛出java.lang.OutOfMemoryError异常时，需要调大该值。

  • 设置Executor堆外内存。

    • 参数：spark.executor.memoryOverhead。

    • 参数说明：代表每个Executor的额外内存，主要用于JVM自身、字符串、NIO Buffer等开销。默认大小为spark.executor.memory * 0.1，最小384 MB。通常不需要额外设置，当Executor日志出现Cannot allocate memory或OOM Killer报错时，需要调大该值。

  • 设置Driver内存。

    • 参数：spark.driver.memory。

    • 参数说明：代表Driver的内存大小。通常与spark.driver.cores保持1:4设置即可。当Driver需要Collect较大数据量，或抛出java.lang.OutOfMemoryError异常时，需要调大该值。

  • 设置Driver堆外内存。

    • 参数：spark.driver.memoryOverhead。

    • 参数说明：代表Driver的额外内存。默认为大小spark.driver.memory * 0.1，最小384 MB。当Driver日志出现Cannot allocate memory报错，需要调大该值。

如何解决磁盘不足问题？

• 问题现象

  出现报错：No space left on device。

• 问题原因：该错误意味着本地磁盘不足，通常该报错会在Executor中出现，并导致Executor退出。

• 解决方案：

  • 增加磁盘大小

    • 参数：spark.hadoop.odps.cupid.disk.driver.device_size。

    • 默认值：20 GB。

    • 参数说明：默认Driver和Executor各提供20GB的本地磁盘，当磁盘空间不足时可以适当调大该参数。注意该参数必须要配置在spark-defaults.conf或DataWorks的配置项中才会生效。

  • 增加Executor数量

    如果您调整本地磁盘大小到100GB以后，仍然报该错误，说明单个Executor Shuffle数据已经超过上限，可能是遇到了数据倾斜，这种情况下对数据重分区会有帮助。也可能确实是数据量太大，那就需要调整spark.executor.instances参数，增加Executor的数量。

如何引用MaxCompute Project中的资源？

如何访问VPC？

如何访问公网?

如何访问OSS？

如何引用Python三方库？

• 问题现象：PySpark作业运行时抛出No module named 'xxx'异常。

• 问题原因：PySpark作业依赖Python第三方库，在当前MaxCompute平台默认的Python环境中尚未安装。

• 解决方案：您可以采用以下几种方案添加第三方库依赖。

  • 直接使用MaxCompute Python公共环境。

    您只需要在DataWorks配置项或spark-defaults.conf文件中添加以下配置即可，不同Python版本配置如下：

    • Python 2配置

      ## Python 2.7.13 配置
      ## 以下配置必须在DataWorks配置项/spark-defaults.conf文件中添加
      spark.hadoop.odps.cupid.resources = public.python-2.7.13-ucs4.tar.gz
      spark.pyspark.python = ./public.python-2.7.13-ucs4.tar.gz/python-2.7.13-ucs4/bin/python
      
      ## 三方库列表
      https://odps-repo.oss-cn-hangzhou.aliyuncs.com/pyspark/py27/py27-default_req.txt.txt

    • Python 3配置

      ## Python 3.7.9 配置
      ## 以下配置必须在DataWorks配置项/spark-defaults.conf文件中添加
      spark.hadoop.odps.cupid.resources = public.python-3.7.9-ucs4.tar.gz
      spark.pyspark.python = ./public.python-3.7.9-ucs4.tar.gz/python-3.7.9-ucs4/bin/python3
      
      ## 三方库列表
      https://odps-repo.oss-cn-hangzhou.aliyuncs.com/pyspark/py37/py37-default_req.txt

  • 上传单个WHEEL包。

    该方案适用于Python三方依赖数量较少、较为简单的情况，命令示例如下。

    ##需要将wheel包重命名为zip包，例如将pymysql的wheel包重命名为pymysql.zip
    ##将重命名后的zip包上传（文件类型为archive）
    ##在Dataworks spark节点引用该zip包（archive类型）
    ##在spark-defaults.conf或dataworks配置项中添加配置以下后即可import
    ## 配置
    spark.executorEnv.PYTHONPATH=pymysql
    spark.yarn.appMasterEnv.PYTHONPATH=pymysql
    
    ## 上传代码
    import pymysql

  • 上传完整自定义Python环境。

    适用于依赖较为复杂或需要自定义Python版本的情况。您需利用Docker容器打包并上传完整Python环境，详情请参见Package依赖。

如何解决Jar依赖冲突问题？

• 问题现象：运行时抛出NoClassDefFoundError或NoSuchMethodError异常。

• 问题原因：通常是由于Jar包中的第三方依赖与Spark依赖版本冲突，需要检查上传的主Jar包及第三方依赖库，排除冲突的依赖。

• 解决方案：

  • Pom自检。

    • 将Spark社区版依赖设置为Provided。

    • 将Hadoop社区版依赖设置为Provided。

    • 将Odps/Cupid依赖设置为Provided。

  • 排除冲突的依赖。

  • 使用maven-shade-plugin relocation解决包冲突。

如何使用Local模式进行调试？

• Spark 2.3.0

  1. 在spark-defaults.conf中添加以下配置。

     spark.hadoop.odps.project.name =<Yourprojectname>
     spark.hadoop.odps.access.id =<YourAccessKeyID>
     spark.hadoop.odps.access.key =<YourAccessKeySecret>
     spark.hadoop.odps.end.point =<endpoint>

  2. 使用Local模式运行任务。

     ./bin/spark-submit --master local spark_sql.py

• Spark 2.4.5/Spark 3.1.1

  1. 创建odps.conf文件，并在文件中添加以下配置。

     odps.access.id=<YourAccessKeyID>
     odps.access.key=<YourAccessKeySecret>
     odps.end.point=<endpoint>
     odps.project.name=<Yourprojectname>

  2. 添加环境变量指向odps.conf文件位置。

     export ODPS_CONF_FILE=/path/to/odps.conf

  3. 使用Local模式运行任务。

     ./bin/spark-submit --master local spark_sql.py

• 常见报错

  • 报错1：

    • 报错信息：

      • Incomplete config, no accessId or accessKey。

      • Incomplete config, no odps.service.endpoint。

    • 报错原因：在Local模式开启了EventLog。

    • 解决方案：将spark-defaults.conf中的spark.eventLog.enabled=true参数删除即可。

  • 报错2：

    • 报错信息：Cannot create CupidSession with empty CupidConf。

    • 报错原因：Spark 2.4.5或Spark 3.1.1 无法读取odps.access.id等信息。

    • 解决方案：创建odps.conf文件，并添加环境变量后再运行任务

  • 报错3：

    • 报错信息：java.util.NoSuchElementException: odps.access.id。

    • 报错原因：Spark 2.3.0 无法读取odps.access.id等信息。

    • 解决方案：在spark-defaults.conf中添加spark.hadoop.odps.access.id等配置信息。

运行Spark作业时，报错User signature does not match，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  Stack:
  com.aliyun.odps.OdpsException: ODPS-0410042:
  Invalid signature value - User signature does not match

• 产生原因

  身份验证未通过，AccessKey ID或AccessKey Secret有误。

• 解决措施

  请检查spark-defaults.conf提供的AccessKey ID、AccessKey Secret和阿里云官网控制台用户信息管理中的AccessKey ID、AccessKey Secret是否一致，如果不一致，请修改一致。

运行Spark作业时，报错You have NO privilege，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  Stack:
  com.aliyun.odps.OdpsException: ODPS-0420095: 
  Access Denied - Authorization Failed [4019], You have NO privilege 'odps:CreateResource' on {acs:odps:*:projects/*}

• 产生原因

  权限不足，需要申请权限。

• 解决措施

  需要由项目所有者授予Resource的Read和Create权限。更多授权信息，请参见MaxCompute权限。

运行Spark作业时，报错Access Denied，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  Exception in thread "main" org.apache.hadoop.yarn.exceptions.YarnException: com.aliyun.odps.OdpsException: ODPS-0420095: Access Denied - The task is not in release range: CUPID

• 产生原因

  • 原因一：Spark-defaults.conf中配置的AccessKey ID、AccessKey Secret不正确。

  • 原因二：项目所在的地域未提供Spark on MaxCompute服务。

• 解决措施

  • 原因一的解决措施：检查Spark-defaults.conf配置信息，修改为正确的AccessKey ID、AccessKey Secret。更多信息，请参见搭建Linux开发环境。

  • 原因二的解决措施：确认项目所在的地域是否已经提供了Spark on MaxCompute服务或加入钉钉群21969532（Spark on MaxCompute支持群）咨询。

运行Spark作业时，报错No space left on device，如何解决？

Spark使用网盘进行本地存储。Shuffle数据和BlockManager溢出的数据均存储在网盘上。网盘的大小通过spark.hadoop.odps.cupid.disk.driver.device_size参数控制，默认为20 GB，最大为100 GB。如果调整到100 GB仍然报此错误，需要分析具体原因。常见原因为数据倾斜，在Shuffle或者Cache过程中数据集中分布在某些Block。此时可以缩小单个Executor的核数（spark.executor.cores），增加Executor的数量（spark.executor.instances）。

运行Spark作业时，报错Table or view not found，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  Table or view not found:xxx

• 产生原因

  • 原因一：表或视图不存在。

  • 原因二：打开了Hive的catalog配置。

• 解决措施

  • 原因一的解决措施：请创建表。

  • 原因二的解决措施：去掉catalog配置。报错示例如下，需要去掉enableHiveSupport()。

    spark = SparkSession.builder.appName(app_name).enableHiveSupport().getOrCreate()

运行Spark作业时，报错Shutdown hook called before final status was reported，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  App Status: SUCCEEDED, diagnostics: Shutdown hook called before final status was reported.

• 产生原因

  提交到集群的user main并没有通过AM（ApplicationMaster）申请集群资源。例如，用户没有新建SparkContext或用户在代码中设置spark.master为local。

运行Spark作业时，发生JAR包版本冲突类错误，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  User class threw exception: java.lang.NoSuchMethodError

• 产生原因

  JAR包版本冲突或类错误。

• 解决措施

  1. 在$SPARK_HOME/jars路径下找出异常类所在的JAR。

  2. 执行如下命令定位第三方库的坐标以及版本。

     grep <异常类类名> $SPARK_HOME/jars/*.jar

  3. 在Spark作业根目录下，执行如下命令查看整个工程的所有依赖。

     mvn dependency:tree

  4. 找到对应的依赖后，执行如下命令排除冲突包。

     maven dependency exclusions

  5. 重新编译并提交代码。

运行Spark作业时，报错ClassNotFound，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  java.lang.ClassNotFoundException: xxxx.xxx.xxxxx

• 产生原因

  类不存在或依赖配置错误。

• 解决措施

  1. 执行如下命令查看您提交的JAR包中是否存在该类定义。

     jar -tf <作业JAR包> | grep <类名称>

  2. 检查pom.xml文件中的依赖是否正确。

  3. 使用Shade方式提交JAR包。

运行Spark作业时，报错The task is not in release range，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  The task is not in release range: CUPID

• 产生原因

  项目所在地域未开通Spark on MaxCompute服务。

• 解决措施

  请您选择已经开启Spark on MaxCompute服务的地域使用。

运行Spark作业时，报错java.io.UTFDataFormatException，如何解决？

• 问题现象

  运行Spark作业时，返回报错如下。

  java.io.UTFDataFormatException: encoded string too long: 2818545 bytes 

• 解决措施

  调整spark-defaults.conf中spark.hadoop.odps.cupid.disk.driver.device_size参数的值。默认为20 GB，最大支持100 GB。

运行Spark作业时，打印的中文乱码，如何解决？

"--conf" "spark.executor.extraJavaOptions=-Dfile.encoding=UTF-8 -Dsun.jnu.encoding=UTF-8"
"--conf" "spark.driver.extraJavaOptions=-Dfile.encoding=UTF-8 -Dsun.jnu.encoding=UTF-8"

Spark调用外网第三方任务时报错，如何解决？

Spark不能调用外网第三方任务，网络不通。

您可以在VPC中搭建Nginx反向代理，通过代理访问外网。Spark支持直接访问VPC，详情请参见Spark访问VPC实例。