Apache spark 处理大数据集时FetchFailedException或MetadataFetchFailedException

当我用1GB的数据集运行解析代码时，它就完成了，没有任何错误。但是，当我一次尝试25GB的数据时，我会得到以下错误。我试图了解如何避免以下失败。很高兴听到任何建议或想法

不同的错误

org.apache.spark.shuffle.MetadataFetchFailedException: Missing an output location for shuffle 0

org.apache.spark.shuffle.FetchFailedException: Failed to connect to ip-xxxxxxxx

org.apache.spark.shuffle.FetchFailedException: Error in opening FileSegmentManagedBuffer{file=/mnt/yarn/nm/usercache/xxxx/appcache/application_1450751731124_8446/blockmgr-8a7b17b8-f4c3-45e7-aea8-8b0a7481be55/08/shuffle_0_224_0.data, offset=12329181, length=2104094}

群集详细信息：

纱线：8节
核心总数：64
内存：500 GB
Spark版本：1.5

Spark提交声明：

spark-submit --master yarn-cluster \
                        --conf spark.dynamicAllocation.enabled=true \
                        --conf spark.shuffle.service.enabled=true \
                        --executor-memory 4g \
                        --driver-memory 16g \
                        --num-executors 50 \
                        --deploy-mode cluster \
                        --executor-cores 1 \
                        --class my.parser \
                        myparser.jar \
                        -input xxx \
                        -output xxxx \

堆栈跟踪之一：

at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:460)
at org.apache.spark.MapOutputTracker$$anonfun$org$apache$spark$MapOutputTracker$$convertMapStatuses$2.apply(MapOutputTracker.scala:456)
at scala.collection.TraversableLike$WithFilter$$anonfun$foreach$1.apply(TraversableLike.scala:772)
at scala.collection.IndexedSeqOptimized$class.foreach(IndexedSeqOptimized.scala:33)
at scala.collection.mutable.ArrayOps$ofRef.foreach(ArrayOps.scala:108)
at scala.collection.TraversableLike$WithFilter.foreach(TraversableLike.scala:771)
at org.apache.spark.MapOutputTracker$.org$apache$spark$MapOutputTracker$$convertMapStatuses(MapOutputTracker.scala:456)
at org.apache.spark.MapOutputTracker.getMapSizesByExecutorId(MapOutputTracker.scala:183)
at org.apache.spark.shuffle.hash.HashShuffleReader.read(HashShuffleReader.scala:47)
at org.apache.spark.rdd.ShuffledRDD.compute(ShuffledRDD.scala:90)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:297)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:264)
at org.apache.spark.rdd.MapPartitionsRDD.compute(MapPartitionsRDD.scala:38)
at org.apache.spark.rdd.RDD.computeOrReadCheckpoint(RDD.scala:297)
at org.apache.spark.rdd.RDD.iterator(RDD.scala:264)
at org.apache.spark.scheduler.ResultTask.runTask(ResultTask.scala:66)
at org.apache.spark.scheduler.Task.run(Task.scala:88)
at org.apache.spark.executor.Executor$TaskRunner.run(Executor.scala:214)
at java.util.concurrent.ThreadPoolExecutor.runWorker(ThreadPoolExecutor.java:1142)
at java.util.concurrent.ThreadPoolExecutor$Worker.run(ThreadPoolExecutor.java:617)
at java.lang.Thread.run(Thread.java:745)

---

此错误几乎肯定是由执行器上的内存问题引起的。我可以想出几种方法来解决这类问题

1） 您可以尝试使用更多分区运行（在

数据帧上执行
重新分区
）。当一个或多个分区包含的数据超过内存容量时，通常会出现内存问题

2） 我注意到您没有显式设置
spark.Thread.executor.memoryOverhead
，因此它将默认设置为
max（386，0.10*executorMemory）
，在您的情况下，该值将为400MB。对我来说这听起来很低。我会尝试将其增加到1GB（请注意，如果将memoryOverhead增加到1GB，则需要将执行器内存降低到3GB）

3） 查看故障节点上的日志文件。您要查找文本“Killing container”。如果您看到文本“超出物理内存限制运行”，根据我的经验，增加memoryOverhead将解决问题。
通过将Spark timeout
Spark.network.timeout
增加到800这样的更大值，我也得到了一些好的结果。默认的120秒将导致很多执行者在重载时超时
 好吧，这是一条老线索，关于Stackoverflow有很多答案，但我因为这个错误耽误了几天，我想分享这个故事可能会有所帮助

实际上有两种方法可以实现这一点。正如Glennie的回答所提到的，这很可能是内存问题，因此请确保您有足够的内存来存储所有内容。有容器内存、AM内存、映射内存、精简内存等配置需要注意。阅读有助于找到正确的配置。你应该自己选择数字，但这里有一些我设置的属性

纱线站点.xml

<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>32768</value>
</property>

<property>
    <name>yarn.app.mapreduce.am.resource.mb</name>
    <value>4096</value>
</property>

<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>4096</value>
</property>

<property>
    <name>mapreduce.map.memory.mb</name>
    <value>4096</value>
</property>

<property>
    <name>mapreduce.reduce.memory.mb</name>
    <value>4096</value>
</property>


warn.nodemanager.resource.memory-mb
32768
warn.app.mapreduce.am.resource.mb
4096
warn.scheduler.minimum-allocation-mb
4096

mapred site.xml

<property>
    <name>yarn.nodemanager.resource.memory-mb</name>
    <value>32768</value>
</property>

<property>
    <name>yarn.app.mapreduce.am.resource.mb</name>
    <value>4096</value>
</property>

<property>
    <name>yarn.scheduler.minimum-allocation-mb</name>
    <value>4096</value>
</property>

<property>
    <name>mapreduce.map.memory.mb</name>
    <value>4096</value>
</property>

<property>
    <name>mapreduce.reduce.memory.mb</name>
    <value>4096</value>
</property>


mapreduce.map.memory.mb
4096
mapreduce.reduce.memory.mb
4096

这些可以修复您可能遇到的一些其他错误，例如PySparkShell在启动时崩溃。但是在我的例子中，虽然一些错误消失了（比如MetadataFetchFailed错误），但问题仍然存在。确切的错误是：

org.apache.spark.shuffle.FetchFailedException:无法连接到
DB-ETA-C/x.x.x:34085

在对从Spark超时到Thread shuffle服务的所有可能的Thread和Spark属性进行了研究之后，我最终意识到，在错误日志中，失败的容器正在查找本地（内部）的
x.x.x
运行
netstat-tulpn | grep时返回y.y.y.y:34085，其中y.y.y.y是外部IP地址。这根本不是内存问题，只是网络配置问题

Spark服务仅绑定到外部接口，因为主机名与
/etc/hosts
中的外部IP相关联。更新
/etc/hosts
文件后，问题得到解决

底线：
这个错误显然表明某些容器无法到达另一个容器。这通常是由于内存问题导致容器出现故障，但也可能是网络问题，因此也要注意这些问题，尤其是在节点上有多个接口的情况下。
除了上述内存和网络配置问题外，值得注意的是，对于大型表（例如，这里有几个TB），org.apache.spark.shuffle.FetchFailedException可能由于检索随机分区超时而发生。要解决此问题，可以设置以下各项：

SET spark.reducer.maxReqsInFlight=1;  -- Only pull one file at a time to use full network bandwidth.
SET spark.shuffle.io.retryWait=60s;  -- Increase the time to wait while retrieving shuffle partitions before retrying. Longer times are necessary for larger files.
SET spark.shuffle.io.maxRetries=10;

如果所有洗牌任务都失败了，那么可能的原因是netty的依赖冲突。
从spark core中排除烦躁的依赖对我来说很有效

       <dependency>
            <groupId>org.apache.spark</groupId>
            <artifactId>spark-core_2.10</artifactId>
            <version>${spark.version}</version>
            <exclusions>
                <exclusion>
                    <groupId>io.netty</groupId>
                    <artifactId>netty-all</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>io.netty</groupId>
                    <artifactId>netty</artifactId>
                </exclusion>
            </exclusions>
        </dependency>


org.apache.spark
spark-core_2.10
${spark.version}
伊奥·内蒂
讨厌的
伊奥·内蒂
内蒂
这两个例外情况应单独讨论

对于MetadataFetchFailedException，它通常发生在一个执行器突然被终止或终止时，但这个执行器有一些无序输出，然后当另一个执行器尝试获取这个无序输出的元数据时，会发生异常

1） 在大多数情况下，这是由超过内存限制而被纱线杀死的容器造成的。因此，您需要在日志中再次确认这一点

2） 最常见的修复方法是增加memoryOverhead，默认值为0.1*执行器内存。这对于大多数情况来说太小了。我建议将其设置为0.2*执行器内存。如果有大量的执行者或运行另一个子进程，则需要更大的值

对于FetchFailedException，它通常发生在承载一些随机输出的执行器太忙或暂时死机时。这可能是由于磁盘IO或网络IO速度较慢造成的。当你有超过1000名遗嘱执行人时，这可能很常见

1） 你需要检查的第一件事是这个遗嘱执行人是否真的死了。您可以在死执行器列表中确认这一点。然后检查死亡执行者的日志

2） 当有1000个执行器时，最坏的情况是一个执行器最多可能有1000吨