Apache Spark：作业由于阶段故障而中止：“ TID x由于未知原因而失败”

如何解决Apache Spark：作业由于阶段故障而中止：“ TID x由于未知原因而失败”

如果我每次都问我一分钱，“您是否尝试过将分区数量增加到相当大的数量，例如每个cpu至少执行4个任务-甚至多达1000个分区？” 我会成为一个有钱人。那么，您是否尝试过增加分区？

无论如何，我发现其他有助于解决怪异分离的方法是：

框架尺寸500
要求超时100
工人超时150（以处理大量GC挂起）
摆弄内存缓存

此外，有时您还可以通过使用UI导航到特定的worker stderr日志来获得更多有用的堆栈跟踪。

更新：由于spark 1.0.0不能通过UI查找Spark日志，因此您必须要求sysadm / devops帮助您，因为日志的位置完全没有记录。

解决方法

我正在处理一些奇怪的错误消息，我 认为这 是内存问题，但是我很难确定它，可以使用专家的一些指导。

我有两台机器的Spark（1.0.1）集群。这两台机器都有8个核心；一个拥有16GB的内存，另一个拥有32GB（这是主磁盘）。我的应用程序涉及计算图像中的成对像素亲和度，尽管到目前为止我测试过的图像的大小只有1920x1200，而大小只有16x16。

我确实必须更改一些内存和并行性设置，否则我将获得显式的OutOfMemoryExceptions。在spark-default.conf中：

spark.executor.memory    14g
spark.default.parallelism    32
spark.akka.frameSize        1000

在spark-env.sh中：

SPARK_DRIVER_MEMORY=10G

使用这些设置，但是，除了丢失的执行程序外，我还收到了一堆关于“丢失的TID”（没有成功完成任务）的WARN语句，重复执行4次，直到最终得到以下错误消息并崩溃：

14/07/18 12:06:20 INFO TaskSchedulerImpl: Cancelling stage 0
14/07/18 12:06:20 INFO DAGScheduler: Failed to run collect at /home/user/Programming/PySpark-Affinities/affinity.py:243
Traceback (most recent call last):
  File "/home/user/Programming/PySpark-Affinities/affinity.py",line 243,in <module>
    lambda x: np.abs(IMAGE.value[x[0]] - IMAGE.value[x[1]])
  File "/net/antonin/home/user/Spark/spark-1.0.1-bin-hadoop2/python/pyspark/rdd.py",line 583,in collect
    bytesInJava = self._jrdd.collect().iterator()
  File "/net/antonin/home/user/Spark/spark-1.0.1-bin-hadoop2/python/lib/py4j-0.8.1-src.zip/py4j/java_gateway.py",line 537,in __call__
  File "/net/antonin/home/user/Spark/spark-1.0.1-bin-hadoop2/python/lib/py4j-0.8.1-src.zip/py4j/protocol.py",line 300,in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o27.collect.
: org.apache.spark.SparkException: Job aborted due to stage failure: Task 0.0:13 failed 4 times,most recent failure: TID 32 on host master.host.univ.edu failed for unknown reason
Driver stacktrace:
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$failJobAndIndependentStages(DAGScheduler.scala:1044)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1028)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$abortStage$1.apply(DAGScheduler.scala:1026)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47)
    at org.apache.spark.scheduler.DAGScheduler.abortStage(DAGScheduler.scala:1026)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:634)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$handleTaskSetFailed$1.apply(DAGScheduler.scala:634)
    at scala.Option.foreach(Option.scala:236)
    at org.apache.spark.scheduler.DAGScheduler.handleTaskSetFailed(DAGScheduler.scala:634)
    at org.apache.spark.scheduler.DAGSchedulerEventProcessActor$$anonfun$receive$2.applyOrElse(DAGScheduler.scala:1229)
    at akka.actor.ActorCell.receiveMessage(ActorCell.scala:498)
    at akka.actor.ActorCell.invoke(ActorCell.scala:456)
    at akka.dispatch.Mailbox.processMailbox(Mailbox.scala:237)
    at akka.dispatch.Mailbox.run(Mailbox.scala:219)
    at akka.dispatch.ForkJoinExecutorConfigurator$AkkaForkJoinTask.exec(AbstractDispatcher.scala:386)
    at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)
    at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)
    at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)
    at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)

14/07/18 12:06:20 INFO DAGScheduler: Executor lost: 4 (epoch 4)
14/07/18 12:06:20 INFO BlockManagerMasterActor: Trying to remove executor 4 from BlockManagerMaster.
14/07/18 12:06:20 INFO BlockManagerMaster: Removed 4 successfully in removeExecutor
user@master:~/Programming/PySpark-Affinities$

如果我改为运行非常小的图像（16x16），它似乎可以完成操作（为我提供了我期望的输出，而不会引发任何异常）。但是，在运行的应用程序的stderr日志中，它将状态列为“已杀死”，最后一条消息为“
ERROR CoarseGrainedExecutorBackend：驱动程序已取消关联”。如果我运行任何较大的图像，都会得到上面粘贴的异常。

此外，如果我只需要执行spark-submit
master=local[*]，除了仍然需要设置上述内存选项外，它将适用于任何大小的图像（我已经分别测试了两台机器；它们都以方式运行local[*]）。

有什么想法吗？