如何解决 Amazon EMR 上 Spark 中的“Container killed on request.Exit code is 137”(根据要求终止容器。退出代码为 137)错误?

上次更新时间:2022 年 8 月 1 日

我在 Amazon EMR 上的 Apache Spark 作业失败,并出现“Container killed on request”(根据要求终止容器)阶段故障:

由以下原因引起:org.apache.spark.SparkException:作业因阶段故障而中止:阶段 3.0 中的任务 2 失败 4 次,最近一次失败:3.0 阶段中的任务 2.3 丢失(TID 23,ip-xxx-xxx-xx-xxx.compute.internal,执行程序 4):ExecutorLostFailure(其中一个正在运行的任务导致执行程序 4 退出)原因:标记为失败的容器:主机上的 container_1516900607498_6585_01_000008:ip-xxx-xxx-xx-xxx.compute.internal。退出状态:137。诊断:根据要求终止容器。退出代码为 137

简短描述

当容器(Spark 执行程序)内存不足时,YARN 会自动将其终止。这会导致“Container killed on request.Exit code is 137”(根据要求终止容器。退出代码为 137)错误。这些错误可能发生在不同的作业阶段,无论是窄还是宽转换。当操作系统内存不足时,YARN 容器也可能被操作系统 oom_reaper 终止,从而导致“Container killed on request.Exit code is 137”(根据要求终止容器。退出代码为 137)错误。

解决方法

使用以下一种或多种方法来解决“Exit status: 137”(退出状态:137)阶段故障:

增加驱动程序或执行程序内存

通过调整 spark.executor.memoryspark.driver.memory 参数来增加容器内存(取决于导致错误的容器)。

在正在运行的集群上:

修改主节点上的 spark-defaults.conf。示例:

sudo vim /etc/spark/conf/spark-defaults.conf
spark.executor.memory 10g
spark.driver.memory 10g

对于单个作业:

使用 --executor-memory--driver-memory 选项来增加运行 spark-submit 时的内存。例如:

spark-submit --executor-memory 10g --driver-memory 10g ...

添加更多 Spark 分区

如果无法增加容器内存(例如,如果在节点上使用的是 maximizeResourceAllocation),则增加 Spark 分区的数量。这可减少单个 Spark 任务处理的数据量,从而减少单个执行程序使用的总内存。使用以下 Scala 代码添加更多 Spark 分区:

val numPartitions = 500
val newDF = df.repartition(numPartitions)

增加随机分区的数量

如果在宽转换过程中发生错误(例如 joingroupBy),则添加更多的随机分区。默认值为 200。

在正在运行的集群上:

修改主节点上的 spark-defaults.conf。示例:

sudo vim /etc/spark/conf/spark-defaults.conf
spark.sql.shuffle.partitions 500

对于单个作业:

运行 spark-submit 时,使用 --conf spark.sql.shuffle.partitions 选项添加更多的随机分区。例如:

spark-submit --conf spark.sql.shuffle.partitions=500 ...

减少执行程序内核的数量

减少执行程序内核的数量会减少执行程序同时处理的最大任务数,从而减少容器使用的内存量。

在正在运行的集群上:

修改主节点上的 spark-defaults.conf。示例:

sudo vim /etc/spark/conf/spark-defaults.conf
spark.executor.cores  1

对于单个作业:

使用 --executor-cores 选项减少在运行 spark-submit 时执行程序内核的数量。示例:

spark-submit --executor-cores 1 ...

增加实例大小

当操作系统内存不足时,YARN 容器也可能被操作系统 oom_reaper 终止。如果此错误是因 oom_reaper 引起的,请使用具有更多 RAM 内存的更大实例。您还可以降低 yarn.nodemanager.resource.memory-mb,以防止 YARN 容器耗尽 Amazon EC2 的所有 RAM 内存。

您可以通过检查 Amazon EMR 实例日志来获取 dmesg 命令输出,从而检测错误是否是因 oom_reaper 引起的。首先找到运行被终止 YARN 容器的核心节点或任务节点。您可以使用 YARN 资源管理器 UI 或日志查找此信息。然后检查容器被终止之前和之后在此节点上的 Amazon EMR 实例状态日志,确定导致进程终止的原因。

在下例中,对应于 YARN container_165487060318_0001_01_000244 的 ID 36787 进程被内核(Linux 的内存耗尽终止程序)终止:

# hows the kernel looking
dmesg | tail -n 25

[ 3910.032284] Out of memory: Kill process 36787 (java) score 96 or sacrifice child
[ 3910.043627] Killed process 36787 (java) total-vm:15864568kB, anon-rss:13876204kB, file-rss:0kB, shmem-rss:0kB
[ 3910.748373] oom_reaper: reaped process 36787 (java), now anon-rss:0kB, file-rss:0kB, shmem-rss:0kB