Livy在120秒内未发现标记为Livy-batch-10-hg3po7kp的纱线应用

Question

使用Livy通过从EMR启动的POST请求执行存储在S3中的脚本。脚本运行，但超时非常快。我已经尝试过编辑livy.conf配置，但是没有一个改动能够持久。这是返回的错误：

java.lang.Exception: No YARN application is found with tag livy-batch-10-hg3po7kp in 120 seconds. Please check your cluster status, it is may be very busy.
org.apache.livy.utils.SparkYarnApp.org$apache$livy$utils$SparkYarnApp$$getAppIdFromTag(SparkYarnApp.scala:182) org.apache.livy.utils.SparkYarnApp$$anonfun$1$$anonfun$4.apply(SparkYarnApp.scala:239) org.apache.livy.utils.SparkYarnApp$$anonfun$1$$anonfun$4.apply(SparkYarnApp.scala:236) scala.Option.getOrElse(Option.scala:121) org.apache.livy.utils.SparkYarnApp$$anonfun$1.apply$mcV$sp(SparkYarnApp.scala:236) org.apache.livy.Utils$$anon$1.run(Utils.scala:94)

Answer 1

解决方案是您必须检查SparkUtil.scala中的代码。

GetOr创建的配置应该是活动的。如果没有，就不能检查和关闭纱线的连接。

例子是：

val spark = SparkSession.builder().appName(appName).getOrCreate()

在我的例子中，我也有一些评论，这就是问题所在。

Answer 2

这是一个需要解决的棘手问题，但我能够使用以下命令使其正常工作：

curl -X POST --data '{"proxyUser": "hadoop","file": "s3://MYBUCKETLOCATION/recurring_job_automation/sample-pyspark-app/hello.py", "jars": ["s3://MYBUCKETLOCATION/recurring_job_automation/sample-pyspark-app/NQjc.jar"], "pyFiles": ["s3://MYBUCKETLOCATION/recurring_job_automation/sample-pyspark-app/application.zip"], "archives": ["s3://MYBUCKETLOCATION/recurring_job_automation/sample-pyspark-app/venv.zip#venv"], "driverMemory": "10g", "executorMemory": "10g", "name": "Name of Import Job here", "conf":{
"spark.yarn.appMasterEnv.SPARK_HOME": "/usr/lib/spark",
"spark.yarn.appMasterEnv.PYSPARK_PYTHON": "./venv/bin/python",
"livy.spark.yarn.appMasterEnv.PYSPARK_PYTHON": "./venv/bin/python",
"spark.yarn.executorEnv.PYSPARK_PYTHON": "./venv/bin/python",
"spark.pyspark.virtualenv.enabled": "true",
"spark.pyspark.virtualenv.type": "native",
"spark.pyspark.virtualenv.requirements":"requirements.pip",
"spark.pyspark.virtualenv.bin.path": "virtualenv",
"spark.master": "yarn",
"spark.submit.deployMode": "cluster"}}' -H "Content-Type: application/json" http://MY-PATH--TO-MY--EMRCLUSTER:8998/batches

在我克隆包含应用程序文件的存储库后，在EMR集群的主节点上运行此脚本来设置我的依赖关系：

set -e
set -x

export HADOOP_CONF_DIR="/etc/hadoop/conf"
export PYTHON="/usr/bin/python3"
export SPARK_HOME="/usr/lib/spark"
export PATH="$SPARK_HOME/bin:$PATH"


# Set $PYTHON to the Python executable you want to create
# your virtual environment with. It could just be something
# like `python3`, if that's already on your $PATH, or it could
# be a /fully/qualified/path/to/python.
test -n "$PYTHON"

# Make sure $SPARK_HOME is on your $PATH so that `spark-submit`
# runs from the correct location.
test -n "$SPARK_HOME"

"$PYTHON" -m venv venv --copies
source venv/bin/activate
pip install -U pip
pip install -r requirements.pip
deactivate

# Here we package up an isolated environment that we'll ship to YARN.
# The awkward zip invocation for venv just creates nicer relative
# paths.
pushd venv/
zip -rq ../venv.zip *
popd

# Here it's important that application/ be zipped in this way so that
# Python knows how to load the module inside.
zip -rq application.zip application/

按照我在这里提供的说明：为PySpark绑定Python3包会导致缺少导入

如果您遇到任何问题，请在此处查看Livy日志：

/var/log/livy/livy-livy-server.out

以及Hadoop资源管理器UI中显示的日志，一旦您通过隧道进入EMR主节点并设置了web浏览器代理，您就可以从EMR控制台中的链接访问这些日志。

该解决方案的一个关键方面是，由于这里提到的问题，当通过文件、罐、pyFiles或档案参数提供时，Livy无法从本地主节点上传文件：https://issues.apache.org/jira/browse/LIVY-222

因此，我能够通过引用通过利用EMRFS上传到S3的文件来解决这个问题。此外，对于virtualenv（如果您使用的是PySpark），使用--copies参数非常重要，否则您将得到无法从HDFS使用的符号链接。

这里还报告了使用虚拟环境的问题：https://issues.apache.org/jira/browse/SPARK-13587与PySpark相关联（可能不适用于您），所以我需要通过添加额外的参数来解决它们。这里也提到其中的一些：https://community.hortonworks.com/articles/104947/using-virtualenv-with-pyspark.html

无论如何，由于Livy上传本地文件的问题，直到我通过EMRFS引用S3中的文件来解决这个问题，Livy才会失败，因为它无法将文件上传到暂存目录。此外，当我尝试在HDFS中提供绝对路径而不是使用S3时，因为HDFS资源属于hadoop用户，而不是livy用户，livy无法访问它们并将其复制到作业执行的暂存目录中。因此，通过EMRFS引用来自S3的文件是必要的。