欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Hive提交到yarn的任务一直在running问题排查

程序员文章站 2022-06-06 17:26:01
...

一、问题描述

最近有数据平台的同学反馈yarn上面有一些任务跑了很久没有结束,状态一直处于running中。去Spark HistoryServer查看任务详情也没看到相关运行记录,需要人为手动kill任务才会停止并释放资源。

Hive提交到yarn的任务一直在running问题排查
Hive提交到yarn的任务一直在running问题排查
Hive提交到yarn的任务一直在running问题排查

二、问题排查

从Spark HistoryServer可以看出,任务的Driver虽然启动了,但是并未执行job,并且一直阻塞在那没有退出。从yarn的角度来看,这个任务就是在运行中。

因此,我们需要排查是究竟什么原因导致Driver不退出,又不接收job运行呢

由于这是hive提交的任务,我们可以先看一下Hive是怎么提交spark任务的。

Hive提交Spark任务流程

Hive提交到yarn的任务一直在running问题排查

  1. Hive要提交一个Spark任务时,会先通过spark-submit提交一个spark程序到yarn集群运行。而运行的MainClass就是RemoteDriver
  2. RemoteDriver在yarn的container启动后,会主动去连接Hiveserver2开放的rpc端口(这个端口在spark-submit时会带上,因此RemoteDriver知道要连接的host和ip)
  3. 连接建立后,SparkClientImpl这边会根据clientId从RpcServer中找到对应的channel,之后将要运行的job通过kvro工具序列化成字节流发送给RemoteDriver
  4. RemoteDriver这边在连接成功后,就开始准备接收SparkClientImpl发送过来的消息并执行。
  5. 最后,如果在SparkClientImpl关闭时也会相应的关闭远程的RemoteDriver,具体做法是发送一个关闭的消息给RemoteDriver,告诉它可以停掉了。(SparkClientImpl一般是在整个客户端的session关闭时关闭的)

RpcServer在整个Hiveserver2进程中只会有一个,因此需要通过clientId来标识对应的RemoteDriver客户端。这个clientId也会在spark-submit时带上。

问题定位

了解了提交的过程后,我们可以知道RemoteDriver的关闭依赖于SparkClientImpl发送的关闭请求。那么情况无非有两种:

  1. SparkClientImpl发送了关闭消息,但是RemoteDriver没收到或者忽略了该消息
  2. SparkClientImpl由于一些原因,没发送关闭消息

由于这种情况发生了好几例,且网络表现正常,因此基本可以排除掉因网络不佳丢包的可能性。之后仔细看了下RemoteDriver这边Rpc的相关代码,也基本可以排除RemoteDriver忽略消息的可能性。因此大概率是SparkClientImpl没有发送关闭消息导致的。

查了下HiveServer2这边那天的日志,果然发现一些异常,都是在任务启动时报的:
Hive提交到yarn的任务一直在running问题排查

从异常信息我们可以很清晰的看出,SparkClientImpl在等待RemoteDriver的连接时抛出了InterruptedException。我们再看一下相关代码:

String clientId = UUID.randomUUID().toString();
String secret = rpcServer.createSecret();
//通过spark-submit提交RemoteDriver到yarn集群运行
this.driverThread = startDriver(rpcServer, clientId, secret);
this.protocol = new ClientProtocol();
try {
  //109行,等待RemoteDriver的连接并获取连接
  this.driverRpc = rpcServer.registerClient(clientId, secret, protocol).get();
} catch (Throwable e) {
  if (e.getCause() instanceof TimeoutException) {
    LOG.error("Timed out waiting for client to connect.\nPossible reasons include network " +
        "issues, errors in remote driver or the cluster has no available resources, etc." +
        "\nPlease check YARN or Spark driver's logs for further information.", e);
  } else {
    //InterruptedException会走这里
    LOG.error("Error while waiting for client to connect.", e);
  }
    //driverThread是阻塞等待spark-submit子进程跑完的线程
  driverThread.interrupt();
  try {
    driverThread.join();
  } catch (InterruptedException ie) {
    // Give up.
    LOG.debug("Interrupted before driver thread was finished.");
  }
    //向外层继续抛出异常
  throw Throwables.propagate(e);
}

从上面的代码来看,SparkClientImpl在等待RemoteDriver的连接时抛出了InterruptedException,代码除了关闭driverThread外,并没有做其他的事了。

这样就可能存在一个问题,虽然SparkClientImpl在这里退出了,但是RemoteDriver又连接上了RpcServer,它就会一直等待远程的消息并一直运行下去。

后面刚好有一个任务也出现这种情况,登陆RemoteDriver所在的机器看了下tcp连接**,发现连接确实还存活着,但是SparkClientImpl这时已经退出了。**

RemoteDriver所在服务器的端口扫描:
Hive提交到yarn的任务一直在running问题排查
Hive提交到yarn的任务一直在running问题排查

问题总结

出现这个问题的原因应该是用户提交一个sql到HiveServer后立马关闭了session,而此时SparkClientImpl又刚好在阻塞等待来自RemoteDriver的连接。因为session的关闭,关闭session的线程会主动interrupt掉SparkClientImpl所在的线程**。**

SparkClientImpl等待连接抛出异常后又没通知rpcServer进行相关解除注册处理,因此RemoteDriver成功的建立了连接,并一直等待来自SparkClientImpl的请求。然而此时SparkClientImpl已经退出,因此除非外界干涉,否则RemoteDriver永远不会停止运行。

三、解决方案

修改源码,在SparkClientImpl抛出InterruptedException时,移除SparkClientImpl对rpcServer的注册,这样客户端在连接过来时,rpcServer就会直接返回错误信息,客户端收到错误信息后就会判定连接失败从而退出进程。

try {
  //109行,等待RemoteDriver的连接并获取连接
  this.driverRpc = rpcServer.registerClient(clientId, secret, protocol).get();
} catch (Throwable e) {
  if (e.getCause() instanceof TimeoutException) {
    LOG.error("Timed out waiting for client to connect.\nPossible reasons include network " +
        "issues, errors in remote driver or the cluster has no available resources, etc." +
        "\nPlease check YARN or Spark driver's logs for further information.", e);
  } else {
    //InterruptedException会走这里
    LOG.error("Error while waiting for client to connect.", e);
 
 	//以下是添加代码块
    //其实就是将clientInfo从pendingClients中移除
    // 在客户端发送连接时,rpcserver发现客户端clientId不在pendingClients中,就会返回失败的信息给客户端
    rpcServer.cancelClient(clientId,"cancel client for " + e.getMessage());
    //添加代码块结束
  }
    //driverThread是阻塞等待spark-submit子进程跑完的线程
  driverThread.interrupt();
  try {
    driverThread.join();
  } catch (InterruptedException ie) {
    // Give up.
    LOG.debug("Interrupted before driver thread was finished.");
  }
    //向外层继续抛出异常
  throw Throwables.propagate(e);
}