Hive提交到yarn的任务一直在running问题排查

太过爱你忘了你带给我的痛 2022-02-20 11:23 1347阅读 0赞

### 文章目录 ###

*   *  一、问题描述
     *  二、问题排查
     *   *  Hive提交Spark任务流程
         *  问题定位
         *  问题总结
     *  三、解决方案

## 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。

![20190413154444729.png][]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70 1]

## 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 ###

![5caf052be4b0b62750f6afc6.png_1555141219891][]

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：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70 2]

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:  
![在这里插入图片描述][20190413154531955.png]  
![在这里插入图片描述][20190413154539488.png]

### 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);
    }

[20190413154444729.png]: /images/20220220/49192d68ea3b47e8895ecfe950e1c509.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70]: /images/20220220/8f12a02d177c4356bc6df1aaee96e0c9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70 1]: /images/20220220/ae84f41a6fe74831b25c1a2336496002.png
[5caf052be4b0b62750f6afc6.png_1555141219891]: /images/20220220/65f8faa2de99438ab4021f4e85849e47.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3UwMTMzMzIxMjQ_size_16_color_FFFFFF_t_70 2]: /images/20220220/3642ca8467fb498bb19439302e68a21b.png
[20190413154531955.png]: /images/20220220/89f89578e85a4ad5ad72b96db3adc6bd.png
[20190413154539488.png]: /images/20220220/54876cb2560a4b3b871814fc56aeb3c0.png