Spark应用程序杀死执行程序

Question

我在独立模式下运行spark集群，使用spark-submit运行应用程序。 在火花UI阶段我发现执行阶段有大的执行时间（> 10h，通常时间~30秒）。 阶段有许多失败的任务，错误Resubmitted (resubmitted due to lost executor) 。 在阶段页面中Aggregated Metrics by Executor部分的Aggregated Metrics by Executor有地址执行者CANNOT FIND ADDRESS 。 Spark试图无限地重新提交此任务。 如果我杀了这个阶段（我的应用程序自动重新运行未完成的火花作业），所有都继续正常工作。

此外，我在spark日志中发现了一些奇怪的条目（与阶段执行开始同时）。

主：

16/11/19 19:04:32 INFO Master: Application app-20161109161724-0045 requests to kill executors: 0
16/11/19 19:04:36 INFO Master: Launching executor app-20161109161724-0045/1 on worker worker-20161108150133
16/11/19 19:05:03 WARN Master: Got status update for unknown executor app-20161109161724-0045/0
16/11/25 10:05:46 INFO Master: Application app-20161109161724-0045 requests to kill executors: 1
16/11/25 10:05:48 INFO Master: Launching executor app-20161109161724-0045/2 on worker worker-20161108150133
16/11/25 10:06:14 WARN Master: Got status update for unknown executor app-20161109161724-0045/1

工人：

16/11/25 10:06:05 INFO Worker: Asked to kill executor app-20161109161724-0045/1
16/11/25 10:06:08 INFO ExecutorRunner: Runner thread for executor app-20161109161724-0045/1 interrupted
16/11/25 10:06:08 INFO ExecutorRunner: Killing process!
16/11/25 10:06:13 INFO Worker: Executor app-20161109161724-0045/1 finished with state KILLED exitStatus 137
16/11/25 10:06:14 INFO Worker: Asked to launch executor app-20161109161724-0045/2 for app.jar
16/11/25 10:06:17 INFO SecurityManager: Changing view acls to: spark
16/11/25 10:06:17 INFO SecurityManager: Changing modify acls to: spark
16/11/25 10:06:17 INFO SecurityManager: SecurityManager: authentication disabled; ui acls disabled; users with view permissions: Set(spark); users with modify permissions: Set(spark)

网络连接没有问题，因为worker，master（上面的日志），驱动程序在同一台机器上运行。

Spark 1.6.1版

Answer 1

可能日志中有趣的部分是这样的：

16/11/25 10:06:13 INFO Worker: Executor app-20161109161724-0045/1 finished with state KILLED exitStatus 137

退出137强烈建议资源问题，内存或CPU内核。 鉴于您可以通过重新运行阶段来解决问题，可能是某些核心已经分配（也许您还运行了一些Spark shell？）。 这是独立Spark设置的常见问题（一台主机上的所有内容）。

无论哪种方式，我都会按顺序尝试以下事项：

1. 提高存储内存派系spark.storage.memoryFraction以预先分配更多内存用于存储，并防止系统OOM杀手在大舞台上随机提供137 。
2. 为应用程序设置较少数量的核心，以排除在运行阶段之前预先分配这些核心的内容。 您可以通过spark.deploy.defaultCores执行此spark.deploy.defaultCores ，将其设置为3或甚至2（在假设8个vcores的intel四核上）
3. Outright为Spark分配更多内存 - > spark.executor.memory需要上升。
4. 也许你在这里遇到了元数据清理的问题，在本地部署中也没有闻所未闻，在这种情况下添加
   export SPARK_JAVA_OPTS +="-Dspark.kryoserializer.buffer.mb=10 -Dspark.cleaner.ttl=43200"到最后你的spark-env.sh可以通过强制元数据清理更频繁地运行来解决这个问题

在我看来，其中一个应该成功。

Answer 2

阿明的答案非常好。 我只想指出对我有用的东西。

当我增加参数时，同样的问题就消失了：

spark.default.parallelism从28（这是我拥有的执行程序的数量）到84（这是可用核心的数量）。

注意：这不是设置此参数的规则，这只适用于我。

更新 ：此方法也得到Spark的文档支持：

有时候，你会得到一个OutOfMemoryError，不是因为你的RDD不适合内存，而是因为你的一个任务的工作集，例如groupByKey中的一个reduce任务，太大了。 Spark的shuffle操作（sortByKey，groupByKey，reduceByKey，join等）在每个任务中构建一个哈希表来执行分组，这通常很大。 这里最简单的解决方法是增加并行度，以便每个任务的输入集更小。 Spark可以有效地支持短至200毫秒的任务，因为它在许多任务中重用了一个执行程序JVM，并且它具有较低的任务启动成本，因此您可以安全地将并行度提高到超过群集中的核心数。