Wednesday, July 11, 2018

MR/TEZ作业数据倾斜导致OOM问题排查思路

对于如下sql，可能会出现最后几个reducer task失败，日志显示OutOfMemory Exception.

select *



from a



join b



on a.uid = b.uid


这种情况一般是由于join的key存在严重倾斜导致的，所以需要分别看下在a表和b表里，uid的分布情况：

select uid, count(1) as cnt



from a 



group by uid



order by cnt desc



limit 1000
实际情况可能是如下图所示。


如果在sql中通过where filter去掉这些uid，则任务成功。对于这些倾斜的value，可以分开单独处理（通过增加reducer内存等方式）。
Posted by at 19 comments:
Labels: , , ,

Friday, July 6, 2018

udf包污染导致tez任务在am端log4j stackoverlow问题排查过程

发现有log4j-over-slf4j,和slf4j-log4j12, 两者会循环引用，导致log4j相关的stackoverflow.

报错如下：

Exception in thread "main" java.lang.StackOverflowError



        at java.util.concurrent.ConcurrentHashMap.get(ConcurrentHashMap.java:936)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:39)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)



        at org.apache.log4j.Category.<init>(Category.java:57)



        at org.apache.log4j.Logger.<init>(Logger.java:37)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:43)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)



        at org.apache.log4j.Category.<init>(Category.java:57)



        at org.apache.log4j.Logger.<init>(Logger.java:37)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:43)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)



        at org.apache.log4j.Category.<init>(Category.java:57)



        at org.apache.log4j.Logger.<init>(Logger.java:37)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:43)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)



        at org.apache.log4j.Category.<init>(Category.java:57)



        at org.apache.log4j.Logger.<init>(Logger.java:37)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:43)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)



        at org.apache.log4j.Category.<init>(Category.java:57)



        at org.apache.log4j.Logger.<init>(Logger.java:37)



        at org.apache.log4j.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:43)



        at org.apache.log4j.LogManager.getLogger(LogManager.java:45)



        at org.slf4j.impl.Log4jLoggerFactory.getLogger(Log4jLoggerFactory.java:64)



        at org.slf4j.LoggerFactory.getLogger(LoggerFactory.java:358)

exclude掉log4j-over-slf4j和log-to-slf4j即可。

反思：在udf中引用任何包后都要通过`mvn dependency:tree`和`jar -tf ...`命令查看引用的包包含的package和namespace，以防止后期的包污染问题扩散。

REF 
Posted by at 15 comments:
Labels: , , ,

Thursday, June 28, 2018

多个count(distinct)导致data skew的优化策略

hive中对于count(distinct)的执行逻辑大体是，在mapper端用HashSet将key去重后，全部发送给1个reducer再做去重，这样的问题在于会有单点问题。如果只有一个count(distinct)，则通过设置SET hive.groupby.skewindata = true;可以使执行逻辑自动优化避免data skew. 但如果有两个及以上则上述参数不会起作用。
具体case:
如下sql每天会执行11h，切换成优化后的select count(1) from (select * from ... group by ...) tmp之后，只需要28min即可。

--before optimization








select



  COUNT(DISTINCT (CASE WHEN field_a = 1 THEN field_b ELSE NULL END)) / COUNT(DISTINCT field_b)



from



  table_name



where



  label_spam_user = 0













--after optimization








with tmp1 as(



    select 



        field_b



    from table_name



    where field_a = 1



    group by field_b



)



, tmp2 as(



    select



        count(1) as cnt_1



    from tmp1



)



, tmp3 as(



    select 



        field_b



    from table_name



    group by field_b



)



, tmp4 as(



    select



        count(1) as cnt_2



    from tmp3



)



select 



    cnt_1/cnt_2



from tmp2



join tmp4 on 1=1;
Posted by at 17 comments:
Labels:

Tuesday, June 12, 2018

HiveOnTez: 包冲突问题排查思路


执行tez报错，观察YARN日志，Driver端报错为：File does not exist: hdfs://lt-nameservice3.sy/tmp/hive/app/_tez_session_dir/09ff9062-cc3e-4cb3-bc8d-77c275266d94/.tez/application_1528552108294_273009/tez.session.local-resources.pb java.io.FileNotFoundException
此时进入ApplicationMaster的log观察，根本报错内容如下，显然为guava包冲突导致（guava21以上会移除一些method接口不再向前兼容）。

Caused by: java.lang.NoSuchMethodError: com.google.common.base.Objects.toStringHelper(Ljava/lang/Object;)Lcom/google/common/base/Objects$ToStringHelper;



at org.apache.hadoop.metrics2.lib.MetricsRegistry.toString(MetricsRegistry.java:406)



at java.lang.String.valueOf(String.java:2994)



at java.lang.StringBuilder.append(StringBuilder.java:131)



at org.apache.hadoop.ipc.metrics.RpcMetrics.<init>(RpcMetrics.java:74)



at org.apache.hadoop.ipc.metrics.RpcMetrics.create(RpcMetrics.java:80)



at org.apache.hadoop.ipc.Server.<init>(Server.java:2213)



at org.apache.hadoop.ipc.RPC$Server.<init>(RPC.java:1029)



at org.apache.hadoop.ipc.ProtobufRpcEngine$Server.<init>(ProtobufRpcEngine.java:537)



at org.apache.hadoop.ipc.ProtobufRpcEngine.getServer(ProtobufRpcEngine.java:512)



at org.apache.hadoop.ipc.RPC$Builder.build(RPC.java:874)



at org.apache.tez.dag.api.client.DAGClientServer.createServer(DAGClientServer.java:127)



at org.apache.tez.dag.api.client.DAGClientServer.serviceStart(DAGClientServer.java:79)



at org.apache.hadoop.service.AbstractService.start(AbstractService.java:193)



at org.apache.tez.dag.app.DAGAppMaster$ServiceWithDependency.start(DAGAppMaster.java:1838)



at org.apache.tez.dag.app.DAGAppMaster$ServiceThread.run(DAGAppMaster.java:1859)
科普下Driver日志和ApplicationMaster日志查看位置：
如图，从YARN页面点击application id进入的页面为Driver页面，红框内容为Driver端报错信息；点击蓝框才会进入ApplicationMaster日志。

此时，在ApplicationMaster中搜索java.class.path可以拿到当前am环境下的所有classpath，从url中获取当前am所在节点，把所有jar包拉出来，找下包版本冲突所在jar包即可。如果为自己jar包里的dependency冲突，或shade，或exclude即可解决。

相关命令如下：

jar -tf platform_udf-1.0-SNAPSHOT.jar | grep -i com.google.common
javap -classpath platform_udf-1.0-SNAPSHOT.jar com.google.common.base.Objects


Posted by at 5 comments:
Labels: , , ,

Monday, May 28, 2018

HTTP部分时候请求长时间卡死超时问题排查思路

部分业务方用户反映有些时候hue刷新页面会卡死2-5min无响应。个人也遇到过几次，在页面访问卡住的同时，通过curl url:8890 -I -L一样会卡住无法返回页面内容。
通过记录事故时间点反查linux TCP相关信息，发现在卡死的时刻，TCP connection数量骤增到2-3k (ss -s)，同时TCcpExt的ListenDrops和TcpExt.ListenOverflows会相对较高：


此时感觉是因为sysctl中关于TCP连接的部分参数没有优化导致，所以添加了如下参数并重启了hue服务，但问题依旧。

net.ipv4.tcp_tw_reuse = 1



net.ipv4.tcp_tw_recycle = 1



net.ipv4.tcp_fin_timeout = 10



net.ipv4.tcp_keepalive_time = 1200



net.ipv4.tcp_max_syn_backlog = 65535



net.ipv4.tcp_max_tw_buckets = 400000



net.ipv4.tcp_orphan_retries = 1



net.ipv4.tcp_retries2 = 5



net.core.netdev_max_backlog = 512000



net.ipv4.tcp_syn_retries = 3



net.ipv4.tcp_synack_retries = 3



net.ipv4.tcp_slow_start_after_idle = 0



vm.min_free_kbytes = 360448



vm.zone_reclaim_mode = 1



net.core.somaxconn = 65535



#net.netfilter.nf_conntrack_max = 1655350



#net.netfilter.nf_conntrack_tcp_timeout_established = 7200



#net.netfilter.nf_conntrack_tcp_timeout_time_wait = 10



kernel.shmall = 4294967296



kernel.shmmax = 68719476736



kernel.msgmax = 65536



kernel.msgmnb = 65536
此时想关注下到底是哪个进程导致了TCP连接数骤增，ss -n后发现主要为:50010端口。netstat -nlp | grep :50010后发现是DataNode服务。
此时通过dmesg发现如下报错内容：

[12522087.589828] TCP: request_sock_TCP: Possible SYN flooding on port 50010. Sending cookies.  Check SNMP counters.



[12547933.126955] TCP: request_sock_TCP: Possible SYN flooding on port 50010. Sending cookies.  Check SNMP counters.
也即TCP连接已经全被50010吃满了，导致新来的hue请求无法正常建立connection导致用户角度的卡死和超时（参考：https://help.marklogic.com/Knowledgebase/Article/View/182/0/possible-syn-flooding-messages-in-system-logs）。
同时，通过sar -n DEV 3发现下行带宽已经占了1.2GB/s, 已经达到机器对应的最大下行带宽，所以数据传输不出去也是可能的因素之一。
最终，将混部的服务拆分到独立的节点，问题解决。
Posted by at 2 comments:
Labels: , , , ,

Wednesday, May 16, 2018

hue后端的django请求HOST为domain时返回400 BAD REQUEST，ip+port则没问题排查思路

通过nginx反向代理到两台hue webserver服务后，发现wget dp-hue_nginx.company.com/hue会返回400 BAD REQUEST, 而请求服务对应的ip:portwget 192.168.1.121:8005/hue则没有问题。

继续找到问题来源，直接对某台hue webserver执行如下命令，发现上述问题可以复现，所以排除掉nginx的问题。

$ curl -I -H 'Host:dp-hue_nginx.corp.kuaishou.com' http://hue-webserver/accounts/login/?next=/



HTTP/1.1 400 BAD REQUEST








$ curl -I -H 'Host:127.0.0.1:8888' http://hue-webserver/accounts/login/?next=/



HTTP/1.1 200 OK
google得到相关post, 说设置allowed_hosts即可，检查$HUE_HOME/desktop/conf/hue.ini, 此参数默认为'*'.
再次google得到此文, 发现是个django的bug。在请求的host domain路径里不能包括下划线（underscore）。
Posted by at 1 comment:
Labels: ,

Monday, May 7, 2018

Spark执行卡住或过慢时从YARN监控页排查思路


  • 在YARN-Stages tab，检查卡住/很慢的stage对应的executor数量，如果executor数量很少，同时对应后面的shuffle read size或者records数量很大（图1），则很可能是因为没有开启spark.dynamicAllocation.enabled。开启配置如下： 


spark.dynamicAllocation.enabled               true



spark.dynamicAllocation.initialExecutors            1



spark.dynamicAllocation.minExecutors     1



spark.dynamicAllocation.maxExecutors     300



spark.shuffle.service.enabled    true
  • 如果某个很慢或者卡住的stage对应的task数量为200（图2），则应该注意是spark.sql.shuffle.partitions导致的，此param默认200，可以设置为2011等大值即可。同理，如果出现tasks数量为12，则应该是由于spark.default.parallelism参数。
  • 观察“Executor页面，如果Task Time(GC Time)背景飘红，说明gc时间过长。可以通过启动时添加set spark.executor.extraJavaOptions=-verbose:gc -XX:+PrintGCDetails -XX:+PrintGCTimeStamps -XX:+PrintGC打印gc日志，从executor列表后面的stdout里查看。从优化角度讲，spark推荐使用G1GC。如果G1GC依旧出现上述问题，则可能当前在一个executor里并发的task数过多（task本身是一个算子(lambda)，所以可能使当前的< 输入->输出 >后数据膨胀）。比如executor.memory为12G，executor.cores为4，则一共有4个task并行，每个task平均3g内存。如果减少cores数量，则可以变相提高每个task可使用的内存量。对于当前的case，从gc日志看出，heap space已经动态expand到12G，说明task的确需要消耗很多内存，所以只好调小cores数量从而降低gc time。

  • 在YARN-Jobs tab，可以看到所有stage列表，每项后面有Shuffle Read和Shuffle Write. 前者表示从上一个stage读取的shuffle数据数量，后者表示写出到下一个stage的shuffle数据数量。从这里可以可以粗略估计下当前stage所需的tasks数量。

    •


    REFERENCE: 
    Posted by at 6 comments:
    Labels: ,
    Subscribe to: Posts (Atom)