Spark 2.x Troubleshooting Guide

IBM在spark summit上分享的内容，包括编译spark源码，运行spark时候常见问题（缺包、OOM、GC问题、hdfs数据分布不均匀等），spark任务堆/thread dump

目录

编译spark的问题

　　1.正确配置相关环境，如Maven,JRE

　　2.显示指定你要集成的功能

　　3.编译速度比较慢的话，可以根据自己的环境设置多core提高速度

spark运行时遇到的问题

　　1.在不清楚spark某些配置时候，可以在spark-submit时候使用--verbose打印出当前环境具体信息

　　2.缺少外部jar包问题，可以使用--packages参数指定缺失的jar包，--packages会先到本地maven仓库中找指定的jar包，如果本地仓库没有，就需要外部maven仓库下载。

所以一般在生成环境，--packages不一定合适。在jar包比较少的情况下，可以通过--jars指定，比较多的话，也可以通过指定class path。这两种方式都是比较合适的

　　2.Spark Driver OOM,默认driver内存一般都比较小（512M），建议自己指定。这个要根据实际情况设置

　　3.GC时间过长，首先应该从代码逻辑判断是否有问题，然后考虑内存是否太小，最后考虑GC算法，目前来说G1 GC是针对大堆(4G以上)首选的GC算法，databricks有一遍关于spark任务优化G1 GC的文章写的很不错，链接在下面。

4.关于spark任务资源的问题，如何最大化利用资源

5.关于spark的"scratch" ，尽量不要使用默认的/tmp，图中描述的比较详细了。

6.这种问题一般是用户在spark-sql中直接查询返回的数据量过大造成。也可能是用户应用中使用了拉取数据到driver端的API（例如：collect、show）。

解决方法：用户应该考虑拉取数据到driver端是否合理？如果不合理，增加过滤条件或者采用insert overwrite directory命令解决；如果合理，则适当增加spark.driver.maxResultSize的大小。