troubleshooting JVM GC导致的shuffle文件拉取失败

2019独角兽企业重金招聘Python工程师标准>>>

        有时会出现的一种情况，非常普遍，在spark的作业中；shuffle file not found。（spark作业中，非常非常常见的）而且，有的时候，它是偶尔才会出现的一种情况。有的时候，出现这种情况以后，会重新去提交stage、task。重新执行一遍，发现就好了。没有这种错误了。

log怎么看？

• 用client模式去提交你的spark作业。比如standalone client；yarn client。一提交作业，直接可以在本地看到刷刷刷更新的log。

• spark.shuffle.io.maxRetries 3
  //意思就是说，shuffle文件拉取的时候，如果没有拉取到（拉取失败），最多或重试几次（会重新拉取几次文件），默认是3次。
  
  spark.shuffle.io.retryWait 5s
  //意思就是说，每一次重试拉取文件的时间间隔，默认是5s钟。

 

• 默认情况下，假如说第一个stage的executor正在进行漫长的full gc。第二个stage的executor尝试去拉取文件，结果没有拉取到，默认情况下，会反复重试拉取3次，每次间隔是五秒钟。最多只会等待3 * 5s = 15s。如果15s内，没有拉取到shuffle file。就会报出shuffle file not found。
• 针对这种情况，我们完全可以进行预备性的参数调节。增大上述两个参数的值，达到比较大的一个值，尽量保证第二个stage的task，一定能够拉取到上一个stage的输出文件。避免报shuffle file not found。然后可能会重新提交stage和task去执行。那样反而对性能也不好。

  spark.shuffle.io.maxRetries 60
  spark.shuffle.io.retryWait 60s

   

• 最多可以忍受1个小时没有拉取到shuffle file。只是去设置一个最大的可能的值。full gc不可能1个小时都没结束吧(低概率，没有绝对)。这样呢，就可以尽量避免因为gc导致的shuffle file not found，无法拉取到的问题。

转载于:https://my.oschina.net/rosetta/blog/778206