Google Dataproc - 经常与执行者断开连接

Question

我正在使用 Dataproc 通过 Spark-shell 在集群上运行 Spark 命令。我经常收到错误/警告消息，表明我与执行者失去了连接。这些消息看起来像这样：

[Stage 6:>                                                          (0 + 2) / 2]16/01/20 10:10:24 ERROR     org.apache.spark.scheduler.cluster.YarnScheduler: Lost executor 5 on spark-cluster-femibyte-w-0.c.gcebook-1039.internal: remote Rpc client disassociated
16/01/20 10:10:24 WARN akka.remote.ReliableDeliverySupervisor:  Association with remote system [akka.tcp://sparkExecutor@spark-cluster-  femibyte-w-0.c.gcebook-1039.internal:60599] has failed, address is now gated for [5000] ms. Reason: [Disassociated] 
16/01/20 10:10:24 WARN org.apache.spark.scheduler.TaskSetManager: Lost task 0.2 in stage 6.0 (TID 17, spark-cluster-femibyte-w-0.c.gcebook-1039.internal): ExecutorLostFailure (executor 5 lost)
16/01/20 10:10:24 WARN org.apache.spark.scheduler.TaskSetManager: Lost task 1.2 in stage 6.0 (TID 16, spark-cluster-femibyte-w-0.c.gcebook-1039.internal): ExecutorLostFailure (executor 5 lost)

...

这是另一个示例：

20 10:51:43 ERROR org.apache.spark.scheduler.cluster.YarnScheduler: Lost executor 2 on spark-cluster-femibyte-w-1.c.gcebook-1039.internal: remote Rpc client disassociated
16/01/20 10:51:43 WARN akka.remote.ReliableDeliverySupervisor: Association with remote system [akka.tcp://sparkExecutor@spark-cluster-femibyte-w-1.c.gcebook-1039.internal:58745] has failed, address is now gated for [5000] ms. Reason: [Disassociated] 
16/01/20 10:51:43 WARN org.apache.spark.scheduler.TaskSetManager: Lost task 1.0 in stage 4.0 (TID 5, spark-cluster-femibyte-w-1.c.gcebook-1039.internal): ExecutorLostFailure (executor 2 lost)
16/01/20 10:51:43 WARN org.apache.spark.scheduler.TaskSetManager: Lost task 0.0 in stage 4.0 (TID 4, spark-cluster-femibyte-w-1.c.gcebook-1039.internal): ExecutorLostFailure (executor 2 lost)
16/01/20 10:51:43 WARN org.apache.spark.ExecutorAllocationManager:  Attempted to mark unknown executor 2 idle

这是正常的吗？我能做些什么来防止这种情况发生吗？

Answer 1

如果作业本身没有失败，并且您没有看到与实际任务失败相关的其他传播错误（至少据我从问题中发布的内容来看），您很可能只是看到了无害但是已知是核心 Spark 中的垃圾邮件问题；这里的关键是 Spark 动态分配在作业期间放弃未充分使用的执行器，并根据需要重新分配它们。他们最初未能抑制其中执行者丢失的部分，但我们已经进行了测试以确保它对实际工作没有不良影响。

这是一个 googlegroups 线程重点介绍了 Spark on YARN 的一些行为细节。

要检查是否确实是动态分配导致了这些消息，请尝试运行：

spark-shell --conf spark.dynamicAllocation.enabled=false \
    --conf spark.executor.instances=99999

或者，如果您通过 提交作业gcloud beta dataproc jobs，则：

gcloud beta dataproc jobs submit spark \
    --properties spark.dynamicAllocation.enabled=false,spark.executor.instances=99999

如果您确实看到网络中断或其他 Dataproc 错误导致主服务器/工作线程解除关联（当它不是应用程序端 OOM 或其他情况时），您可以直接向 Dataproc 团队发送电子邮件：dataproc-feedback@google.com；Beta 版不会成为潜在破坏行为的借口（当然，我们希望消除我们在 Beta 期间可能尚未发现的棘手的边缘情况错误）。