Hadoop运维记录系列【收集整理】

整理转载于：博客之星

/article/4124330.html

集群里面有三台服务器需要升级CPU。恰恰是三台，符合Hadoop集群配置的replication数量。运维人员没有沟通，通知了一下，然后就瞬间停了3台服务器。这下整个集群基本就废了。存数据当然没问题，但是查数完全不能查了。之后留守的数据组人员就发现集群无论如何也起不来了，只能打电话把我叫回来。

检查三台服务器无法启动的原因，其实起来了两台datanode和三台tasktracker，但无论什么样的reduce都做不了，会报错。另外有一台datanode无法启动。

一、解决tasktracker存在，但无法reduce的问题

看了一下50030的jobtracker页面，发现被停机的三台服务器主机名错误。被关机的服务器重新启动后，jobtracker里面的主机名列表有服务器名称变成了什么bta.net.cn。这明显是主机名被改了，hadoop在跟踪tasktracker的时候无法做内部的DNS解析，结果转到了外网的DNS上面。登上这三台服务器，发现果然bash提示符上显示的hostname被改掉了，变成了OPS自己起的名字叫什么web30。查看/etc/hosts文件，没有错误。那么用root账户执行 "hostname hadoop-node-xx"，用以将主机名改回原来的。退出root，再重新登录，切换root，主机名变更完成。

之所以要执行退出并重新登录。是因为，即使你在当前终端下变更了hostname，但这时在当前root终端下，仍然认为hostname是web30。这时即便你用hadoop账户启动hadoop，也会认为主机名是web30。所以必须退出当前TTY，重新切换root和hadoop，主机名才会正常。

修改主机名后，切换到hadoop用户，启动hadoop，正常启动。提示log文件为hadoop-hadoop-tasktracker-hadoop-node-xx.log。所以这里有个小技巧，查看hadoop创建的日志名字，是可以判断你是否正确设置了hostname。当然，绝对不能一下停3台。轮流停止3台服务器的tasktracker，并重新启动。jobtracker中的主机列表显示正常，reduce可以正常进行了。

二、解决单个datanode无法启动的问题。

这里分为两个小问题。

1. datanode曾错误的用root账户启动过，导致文件权限被变更。

经询问，OPS开机后，同事没有切换到hadoop用户启动datanode，而是在这个节点上用root账户启动的了datanode。发现弄错了之后，然后又停掉了切换到hadoop用户启动，就发现无法启动了。

通过观察日志发现，datanode日志大量报出Java.IO的exception，很乱，但究其根源，是访问blk_xxxx...块permission denied。所以立刻定位问题，是由于使用root账户启动，硬盘中的blk._xxxx..文件被置为了仅root用户读写权限造成的。于是在错误变更权限的硬盘上执行 "chown -R hadoop:hadoop *" 即可。重新启动datanode，正常启动。

2. 正常启动只能支持2-3分钟，然后datanode就又挂了。

先tail -f 打开datanode日志，然后启动datanode。日志大量报，Scheduling block blk_xxxx... but block is valid。大概是这话把，刷的太快记不清了。意思就是说，计划放置某某block，但是该block存在并合法，所以放弃。根据hadoop工作原理分析，是namenode需要往datanode上写入数据，但是分配的块名称在该节点上已经存在，并且数据校验合法，所以拒绝写入并放弃，同样的错误超过该datanode的容许范围，则挂掉了。那么问题也同样出在root账户启动上，root账户启动之后，正常工作了一段时间。并以root权限放置了一些block在硬盘上，问题1里面将这些block置为了hadoop权限。但namenode认为这些文件已经不存在了，所以需要replication，但是replication过程中发现这些文件又存在，并且合法。所以就挂掉了。

问题的解决就很简单了，删除掉一些报错的block文件，datanode正常启动没有问题。再做一下balance，集群又跑的嗖嗖的。

集群配置--注意事项 1. 将完整的/etc/hosts文件放置在每台服务器上，hadoop的域名和IP转换要用到hosts文件 2. 请确保hadoop所绑定使用的端口没有被防火墙所拦截。 3. 请确保集群中各服务器间网络连接正常 4. 在几个相关的配置文件中写入了正确主机名或IP信息

安装和配置的FAQ 是不是一定需要SSH免密码登录？ 不是的，集群状况下Hadoop并不是必须做ssh密钥，除非需要单点启动 是不是一定要做LDAP？ 不是的，LDAP是在做大集群管理时可以方便的管理服务器集群，并非给Hadoop专用的。 Hadoop对硬件的要求？ 当然是越高越好。 我们 NN 96Gmem，2TBx4，8coreCPU DN 32Gmem，2TBx4，8~16coreCPU

运维故障分析与解决(一) ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: java.io.IOException: Incompatible namespaceIDs in /home/hadoop/tmp/dfs/data: namenode namespaceID = 39895076; datanode namespaceID = 1030326122 原因： namenode 被重新格式化，datanode数据版本与namenode不一致 解决： 1.删除datanode所有文件 2.修改datanode dfs/data/current/VERSION与namenode相同

运维故障分析与解决(二) ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: DatanodeRegistration(192.168.2.19:50010, storageID=DS-1082898260-202.106.199.39-50010-1348575582644, infoPort=50075, ipcPort=50020):DataXceiveServer: Exiting due to:java.lang.OutOfMemoryError: Java heap space (注：上面这个ERROR并不一定全会发生，有时会出现无ERROR出现datanode就关闭的情况) ERROR org.apache.hadoop.mapred.TaskTracker: Caught exception: java.io.IOException: Call to hadoopmaster/192.168.1.43:9001 failed on local exception: java.io.IOException: Connection reset by peer 原因： 常规数据交换量过大，导致通信故障datanode无法连接namenode 任务数据交换量过大，导致tasktracker与jobtracker通信故障 解决： 1.增大带宽 2.配置机架感知脚本topology.script.file.name 3.关闭均衡器

运维故障分析与解决(四) ERROR org.apache.hadoop.hdfs.server.datanode.DataNode: org.apache.hadoop.util.DiskChecker$DiskError Exception: Invalid value for volsFailed : 3 , Volumes tolerated : 0 原因： 磁盘损坏 解决： 关机换硬盘，2台以内服务器损坏无需关心数据丢失，hadoop存储策略以服务器为单位，不以硬盘为单位

运维故障分析与解决(五) 2012-09-25 20:19:42,634 INFO org.apache.hadoop.hdfs.server.datanode.DataNode: dnRegistration = DatanodeRegistration(bt-199-039.bta.net.cn:50010, storageID=, infoPort=50075, ipcPort=50020) 原因： 主机名转换错误，datanode无法启动 解决： 设置hostname和/etc/sysconfig/network，然后重启datanode

运维故障分析与解决(六) Hive查询FileNotFound Exception 原因： 文件不存在错误 故障一：文件的确不存在 故障二：权限问题导致数据没有正确insert写入到hive读取路径 解决： dfs.permissions = false或设置hive读取路径正确的可写权限。

运维故障分析与解决(七) INFO org.apache.hadoop.hdfs.server.datanode.DataNode: writeBlock blk_-8336485569098955809_2093928 received exception java.io.IOException: Permission denied 原因： 之前用错误账户启动hadoop，dfs存储所使用的本地文件夹被变更用户和组，导致文件夹不可写。datanode无法启动。 解决： 切换高权限用户，将dfs存储的本地文件夹chown -R成hadoop本身用户和组，重启datanode

运维和故障分析总结 一、遇到问题看日志，log4j的日志记录很详细。 二、多使用谷歌而不是百度，如果谷歌可以用的话。 三、多使用工具，开源工具或自己编写。 四、熟悉操作系统自带的工具

算是个比较典型的故障，磁盘满导致的task tracker无法启动。

故障是一台tasktracker挂了，怎么也起不来，报错信息如下。

2013-03-26 17:34:57,620 ERROR org.apache.hadoop.mapred.TaskTracker: Can not start task tracker because ENOENT: No such file or directory
at org.apache.hadoop.io.nativeio.NativeIO.chmod(Native Method)
at org.apache.hadoop.fs.FileUtil.execSetPermission(FileUtil.java:699)
at org.apache.hadoop.fs.FileUtil.setPermission(FileUtil.java:654)
at org.apache.hadoop.fs.RawLocalFileSystem.setPermission(RawLocalFileSystem.java:509)
at org.apache.hadoop.fs.RawLocalFileSystem.mkdirs(RawLocalFileSystem.java:344)
at org.apache.hadoop.fs.FilterFileSystem.mkdirs(FilterFileSystem.java:189)
at org.apache.hadoop.mapred.TaskTracker.initialize(TaskTracker.java:723)
at org.apache.hadoop.mapred.TaskTracker.<init>(TaskTracker.java:1459)
at org.apache.hadoop.mapred.TaskTracker.main(TaskTracker.java:3742)

2013-03-26 17:34:57,621 INFO org.apache.hadoop.mapred.TaskTracker: SHUTDOWN_MSG:
/************************************************************
SHUTDOWN_MSG: Shutting down TaskTracker at hadoop-node-51/192.168.1.51
************************************************************/

从表面上看，这是一个找不到文件的错误，下面还报了一堆跟创建目录和权限设置相关的错误。然后翻看了相关的源码，发现跟这些都没关系。

上google搜了一圈也没有什么斩获，都是与此无关的报错。

按照报错是权限设置的问题进行分析，以为是有人不小心改了mapred文件夹下的文件的权限，导致hadoop无法创建文件夹和读取文件造成的。于是去mapred文件夹查看，发现权限都是正确的。但是还是强行chown了一遍，但是没起作用。tt仍然起不来。

后来看了一下df，发现几块硬盘中的一块100%了，完全一点空间都不剩。进去看了一下，是因为有人在跑任务的时候，把map/reduce中间结果的临时数据文件扔到了那块硬盘里，也没有及时清理，所以导致磁盘满了。

让相关人员清理了中间文件，task tracker立刻就正常启动。

这个报错是比较神奇的，按说跟磁盘相关的事情，hadoop起码应该报一个DiskChecker的故障，但是却报了一个找不到文件的故障。一方面说明hadoop的有些报错调用的exception并不完全准确，在设置了dfs保留分区的情况下，硬盘满了，报错是跟硬盘无关的反而报了权限错误。一方面也说明运维hadoop的人需要拓宽思路，有时候一件事表象，不代表这件事背后的原因就是这样的，一定要去找到那个truth。