vlambda博客
学习文章列表

吐血整理 | HDFS运维问题大全




1



这次我吐血整理了一些在维护hdfs工作中遇到的问题,有的是血的教训,有的是花了不少功夫定位,也有的是一些知识点或者技巧,其中有两个补丁已经合并到apache hadoop官方。最后根据这些问题处理经验,汇总了hadoop hdfs集群需要关注的告警指标。


一、定期block全盘扫描,引起dn心跳超时而脱离集群


1. 现象:


hdfs有一个目录扫描机制,默认6小时会全盘扫描一次所有block,判断与内存里的那份blockMap是否一致。参考链接
https://blog.cloudera.com/hdfs-datanode-scanners-and-disk-checker-explained/ 。


在小文件比较多的情况,扫描的时候特征很明显——磁盘的iops很高,但吞吐量很低。当然这不是引起datanode心跳超时的原因,真正的原因是处理扫描后的结果,比如比较完发现有20000个block不一致,在修复这些block时不断的持有了 FsDatasetImpl 这个对象的一把锁,在磁盘比较慢的情况下,可能需要5分钟甚至10分钟处理完,从而一直阻塞读、写、心跳的线程。


详细的可以了解 HDFS-14476 (网址链接https://issues.apache.org/jira/browse/HDFS-14476),包括一些特征、证据,以及block修复逻辑,细节比较多。


2. 解决:


我们这边加了个patch(已合入官方版本 2.10和3.x),在处理异常block的时候,中间休息2秒,处理一下正常的请求,不至于datanode卡住甚至离线。


修复后的结果也是很明显,datanode心跳平滑了许多,如下图所示。



二、namenode迁移裁撤,遇到客户端无法写入


1. 现象:


在需要迁移/裁撤namenode时,一般思路是保持 namenode hostname 不变,滚动迁移 standby 的方式迁移。


但是在我们的迁移实践中,发现 hdfs namenode 完成迁移后,集群正常,但 hdfs 客户端访问异常。在 yarn 这样的长任务场景下,会导致文件读写一直失败,直到 yarn nodemanager 重启。


具体问题是这样的,client使用的是 ConfiguredFailoverProxyProvider ,client启动之后会根据当时的inetsocket创建nn1,nn2两个namenode proxy,这个在任何网络异常的情况下都不会重新创建。



2. 复现步骤:


① 打开一个hdfsclient,长时间写一个文件 hdfs put;


② 更新hdfs新namenode hostname-ip;


③ stop old nn2, start new nn2;


④ 更新客户端的namenode hostname-ip (client还在操作文件);


⑤ 切换到新namenode hdfs haadmin -failover nn1 nn2;


⑥ 此时会发现client一直报错,在yarn客户端启动的周期内,哪怕是新文件写入,依旧会报错。


3.解决:


对 ConfiguredFailoverProxyProvider 打了个patch,就是在client failover之后,也进行updateAddress判断,如果有ip变动,就重新 createProxy。验证这个patch同样有效。不过在client那边统一捕获会比较好,因为还有其他类型的HaProvider可能也有这个问题。


这个问题的 patch 已经被合入 Apache Hadoop 3.4,见 HADOOP-17068(网址链接https://issues.apache.org/jira/browse/HADOOP-17068)。我们用的版本是 2.6.0-cdh5.4.11 ,patch也已合入官方版本。


除了从根源问题上解决,也可以在 namenode 迁移操作时,在老节点上启用端口转发,再逐个重启 yarn,避免引起大范围故障。


三、集群dn不均衡导致文件写入失败


1. 现象:

集群将满时,扩容了批机器缓解空间。运行了2个星期客户端突然报文件写入失败。

2. 原因:

hdfs在部分datanode空间满的情况下,理论会自动挑选其它可用的空闲节点。由于 dfs.datanode.du.reserved配置不当,导致依然会选中满节点。具体是dfs.datanode.du.reserved如果小于分区block reserved,在磁盘用满时就会出现。

org.apache.hadoop.ipc.RemoteException(java.io.IOException): File /kafka/xxxtmp.parquet could only be replicated to 0 nodes instead of minReplication (=1).  \
There are 14 datanode(s) running and no node(s) are excluded in this operation.

3. 解决:


①扩容完,跑rebalance;


②修改磁盘分区的block reserved,使其小于 dfs.datanode.du.reserved;


③增加单个datanode容量告警。


四、做 rebalance 时速度很慢

1. 解决:


启动 rebalance 命令./start-balancer.sh -threshold 10,如果需要提高速度可以修改限流带宽hdfs dfsadmin -setBalancerBandwidth 52428800 。


但是 datanode 上同时接收 blocks 并发数,是不能在线调整的(或者说只能调小),调整hdfs-site.xml默认的balance参数,并重启。


dfs.balancer.moverThreads=1000
dfs.balancer.dispatcherThreads=200
dfs.datanode.balance.max.concurrent.moves=50


如果启动balance时,尝试以更高的并发执行,datanode会判断没有足够的线程接收 block: IOException: Got error, status message Not able to copy block ... because threads quota is exceeded。


当 move 出现失败时,迁移速度是指数级下降的,因为move block失败默认会sleep一段时间。


./start-balancer.sh -threshold 5\
-Ddfs.datanode.balance.max.concurrent.moves=20 \
-Ddfs.datanode.balance.bandwidthPerSec=150000000 \
-Ddfs.balancer.moverThreads=500 \
-Ddfs.balancer.dispatcherThreads=100

五、给datanode在线增加磁盘


1. 解决办法:


腾讯云上的机器,可以直接在原有 datanode 上直接挂在新的磁盘,快速给hdfs扩容。


增加磁盘,不需要重启datanode。(前提是设置了 dfs.datanode.fsdataset.volume.choosing.policy为AvailableSpaceVolumeChoosingPolicy)。


① 挂载后,先建立hadoop数据目录并修正权限;


②在hdfs-site.xml 里加上新目录配置 dfs.datanode.data.dir;


③可以使用 reconfig 命令使其生效: hdfs dfsadmin -reconfig datanode dn-x-x-x-x:50020 start。


六、namenode设置了HA,但故障时未成功切换


1. 现象:


active namenode 内存故障,主备切换失败


2. 原因:


dfs.ha.fencing.methods设置为了ssh,但是并不能登录其他namenode执行fence


3. 解决:


生成ssh key,免密码登录。或者改成shell(/bin/true),强切。注意,修改fence方式后,需要重启zkfc。


七、hdfs client input/output error


1. 现象:


执行 hdfs 客户端命令报错 input/output error,试着拷贝 hadoop / jdk 的介质目录,亦发现文件损坏。有时会发现 jvm core。


2.原因:


磁盘存在坏块,刚好hdfs或者jdk的 jar 库损坏。通过观察 messages 发现有 sda IO Input/Output Error 。

使用badblocks -s -v -o bb.log /dev/sda 可以看到磁盘损坏了哪些扇区。


3. 解决:


从其他机器,拷贝一份正常的介质。


八、hdfs误将 data 盘作为数据盘


1. 现象:


误将系统盘作为了dfs.datanode.data.dir,运行一段时间后,这个分区很容易最先满。


2.原因:


这个是配置上的问题,理解datanode的工作方式,可以快速的将这个分区里的block挪到正确的磁盘分区。


3. 解决:


处理方法就是停止datanode,拷贝/data block到其它分区,删掉/data的配置。因为datanode上block的位置是每次启动的时候,扫描上报给namenode,所以可以做物理拷贝。


可以使用拷贝命令cp -a /data/hadoopdata/current/BP-*-*/current/finalized/* /data1/hadoopdata/current/BP-*-*/current/finalized/ ,不能拷贝整个 hadoopdata 目录,因为VERSION文件里面的storageID不同。


九、使用decomiss方式将datanode退服时,客户端读写异常


1. 现象:


将datanode加入 exclude ,正常 decomissing 的方式退役节点,应用层反馈 spark 任务部分异常,报错 Unable to close file because the last block doest not have enough number of replicas ,但该集群一些其它的文件读写任务正常。

2. 原因:


spark任务会频繁的创建、删除application目录。在decomissing时,部分磁盘性能低的节点,磁盘更加繁忙,导致出现 last contact 心跳时间长。


3. 解决:


经过验证,发现直接 kill datanode进程的方式,不影响spark任务。但必须保证一个一个的kill,否则会出现 missing block. (这不一定是解决问题最好的办法,但的确有效)。


十、namenode editlog 长时间未做checkpoint


1. 现象:


standby namenode 的一个作用是,定期合并从journalnode上获取的editlog,生成新的元数据fsimage,然后推送到active namenode。


当standby namenode出现异常,如进程退出、软件bug(比如我们遇到过 IOException: No image directories available!),导致长时间未合并editlog。一旦需要发生切换或者重启namenode,有可能导致启动时间过长,严重的editlog合并需要的内存不足,无法启动namenode.


2.解决:


如果内存不足,一种解决办法是借一台高内存临时机器合并editlog:


① 把standby停下来,将hdfs的软件介质和配置文件,拷贝到高内存机器;


② 同时拷贝dfs.namenode.name.dir 目录中最新能用的 fsimage_xxx 和它之后的所有 edits_xxx-xxx;


③ 在临时机器上启动 namenode 进程,会自动从对应目录加载 fsiamge 、合并editlog;


预防比补救要重要,一定要监控namenode上 TransactionsSinceLastCheckpoint 这个指标,我们的阈值是达到 5000000 就告警。


十一、HDFS 3.x datanode 出现大量 CLOSE-WAIT


1. 现象:


这个问题 HDFS-15402 是在定期对 datanode http://127.0.0.1:50075/jmx jmx 进行探测的时候产生的,我们有 5 个 hadoop 3.1.3 的集群都存在该问题。在 hadoop 2.x 中正常。


50075 端口上产生过多 close-wait 的影响是,正常的 webhdfs 会出现 504 Gateway-timeout


[root@dn-9-4-xxx-yy /tmp]# ss -ant|grep :50075 |grep CLOSE-WAIT|wc -l
16464
[root@dn-9-4-xxx-yy /tmp]# ss -ant|grep :50075 |grep CLOSE-WAIT|head -3
CLOSE-WAIT 123 0 9.4.xxx.yy:50075 9.4.xxx.yy:39706
CLOSE-WAIT 123 0 9.4.xxx.yy:50075 9.4.xxx.yy:51710
CLOSE-WAIT 123 0 9.4.xxx.yy:50075 9.4.xxx.yy:47475

lsof -i:39706
COMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAME
java 134304 hdfs *307u IPv4 429yy7315 0t0 TCP dn-9-4-xxx-yy:50075->dn-9-4-xxx-yy:39706 (CLOSE_WAIT)

Proto Recv-Q Send-Q Local Address Foreign Address State PID/Program name
tcp 123 0 9.4.xxx.yy:50075 9.4.xxx.yy:39706 CLOSE_WAIT 134304/java


CLOSE-WAIT 状态是客户端(curl)发起关闭tcp连接时,服务端(datanode)收到了FIN-ACK,但在关闭socket时一直没有完成。正常流程是关闭socket完成,然后向客户端发送FIN:



2. 原因:


所以问题出在datanode server上,与knox还是haproxy客户端没有关系。并且这个问题调整os内核参数是没有用的,除非kill datanode,否则close-wait状态会永久存在。使用网上的kill_close_wait_connections.pl 能够清理这些 close-wait,之后 webhdfs 请求变得好转。


3.解决:


目前避开的方法就是,不再请求 datanode jmx 做监控,只获取 namenode 上的指标。datanode 上采集 os 级别的指标。


十二、knox 无法上传 8G 文件


1. 现象:


在官方 jira 里我们提了这个问题 KNOX-2139 Can not handle 8GB file when using webhdfs ,当我们使用 webhdfs with knox 上传 8589934592 bytes 大小的文件,会出现 (55) Send failure: Broken pipe,在 hdfs 只能看到一个空文件。而且在版本 knox 1.1、1.2 中是必现,在 0.8 版本正常。


简单 debug 了一下代码,knox 拿到的请求 contentLength 为 0,8G 以外的情况 contentLength 为 -1。


2. 解决:


我们后来使用 haproxy 代替 knox 解决 knox 自身上传速度慢和这个 8G 文件的问题。


不过在最新的 1.4 版本,8G问题又消失了。根据官方的恢复,可能跟 jetty 的升级有关。


十三、Unable to load native-hadoop library for your platform


1.现象


Unable to load native-hadoop library for your platform... using builtin-java classes


经常在执行 hdfs 客户端命令时会有这样的提示,其实是个老生常谈的问题。


简单说就是系统里没有找到原生的 hadoop 库 libhdfs.so,这个库是 C 写的,性能比较好。缺少但不影响使用,因为 hadoop 里有 java 实现的客户端库。

出现这个总结原因有 3 个:


① hadoop 安装包里没有自带 libhdfs.so。


这个情况占很大一部分。去到目录${HADOOP_HOME}/lib/native/,看下是否有libhdfs.so,libhdfs.a,libhadoop.so,libhadoop.a。如果没有的话,可以重新下一个完整的二进制包,把lib/native拷出来用。


这种看到才是正常的。


./bin/hadoop checknative
20/05/14 20:13:39 INFO bzip2.Bzip2Factory: Successfully loaded & initialized native-bzip2 library system-native
20/05/14 20:13:39 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop: true /data1/hadoop-hdfs/hadoop-dist/target/hadoop-2.6.0-cdh5.4.11-tendata/lib/native/libhadoop.so.1.0.0
zlib: true /lib64/libz.so.1
snappy: true /data1/hadoop-hdfs/hadoop-dist/target/hadoop-2.6.0-cdh5.4.11-tendata/lib/native/libsnappy.so.1
lz4: true revision:10301
bzip2: true /lib64/libbz2.so.1
openssl: true /usr/lib64/libcrypto.so


实在不行就在自己的 os 上编译一个。


mvn clean package -Pdist,native -DskipTests -Dtar -Dbundle.snappy -Dsnappy.lib=/usr/local/lib

② so 文件存在,但路径不对。


现在的版本,默认路径都能找得到 so 库。这个  https://stackoverflow.com/questions/19943766/hadoop-unable-to-load-native-hadoop-library-for-your-platform-warning 里面介绍的大部分方法,都是在教怎么设置路径。真实原因很少会因为路径不对,不过这个答案靠谱 https://stackoverflow.com/a/30927689 ,也就是我们的情况 3。


③ 编译的版本,在我们的 os 上依赖库不全。


遇到过这种,glibc 库版本不够:


$ ldd lib/native/libhadoop.so
lib/native/libhadoop.so: /lib64/libc.so.6: version `GLIBC_2.14' not found (required by lib/native/libhadoop.so)
linux-vdso.so.1 => (0x00007ffd1db6d000)
/$LIB/libonion.so => /lib64/libonion.so (0x00007f5bfd37d000)
libdl.so.2 => /lib64/libdl.so.2 (0x00007f5bfce40000)
libpthread.so.0 => /lib64/libpthread.so.0 (0x00007f5bfcc23000)
libc.so.6 => /lib64/libc.so.6 (0x00007f5bfc88f000)
/lib64/ld-linux-x86-64.so.2 (0x00007f5bfd266000)

$ strings /lib64/libc.so.6 |grep GLIBC_
可以看当前系统支持哪些版本的 glibc


但是 glibc 安装升级有风险,如果要安装 2.14 版本务必先做好测试。


十四、处理 missing blocks


1. 现象:


hdfs 集群出现 missing block,无非就是 namenode 里还记录的 block 元数据信息,但是所有副本都丢失了。如果是同时挂了多个机器,或者损坏了多个机器上的磁盘,是有可能会出现。

遇到过 2 次人为产生 missing blocks:


① kill 一个 datanode 进程,就出现 missing block

② 先设置所有文件的 replication 为 1,一小段时间后,再设置为 2


这两种情况都算是 bug,对应的文件确实无法 get 下来了。但第 1 中情况还好,经过排除日志,发现实际这些丢失的 blocks 本就接收到了删除命令,过一段时间后,missing block 一般会自动消失。第 2 种情况,是真的意外丢 block 了,比较严重。不要轻易把 replication 设置为 1,再改回去可能丢 block。


如果确认这些 missing block 可以消除,可以通过 fsck 命令手动处理:


// 如果missing blocks数不是很多,可以直接逐个delete
hdfs fsck file_name -delete

// 如果missing blocks较多,可以从namenode上拿到corrupt块
hdfs fsck / -list-corruptfileblocks -openforwrite | egrep -v '^\.+$' | egrep "MISSING|OPENFORWRITE" | grep -o "/[^ ]*" | sed -e "s/:$//" > missing_blocks.txt

1


总结  应该关注的告警



实际还有些许多问题,比如用户supergroup 权限问题、rack-aware.sh文件缺失的问题,限于篇幅就不列举了。


问题是不断会出现的,但及时对大部分场景做到监控工具,能够提前发现问题。下面是整理并上线的关键告警指标:


1. datanode lastcontact


datanode 与 namenode 心跳监控。心跳时间长意味着这个 dn 没响应了,默认超过10m30s 没响应,dn会脱离集群。


2. namenode and datanode web probe



3. dirctory max files


单目录下的文件数告警。hdfs默认限制单目录下最大的文件数100万,由配置项dfs.namenode.fs-limits.max-directory-items决定,这个指标数据来源于 fsimage 目录画像分析。


4. transactions not merged


standby 未滚动的editlog数。长期未checkpoint会导致下次namenode启动消耗过多内存,甚至启动失败。


5. missing blocks


异常blocks数。


6. test write file


在2个namenode节点上,定期使用 hdfs put/get 写入文件。如果失败会告警。


7. non-active namenode


hdfs集群namenode有且只有一个active,一个standby。其它情况告警。


8. cluster capacity


集群总体容量监控。


9. node usage, ioutil


单个 datanode 磁盘空间使用率预警,ioutil持续5分钟大于95%预警。


10. failover occurs


hdfs namenode发生failover


11. namenode heap size


namenode heap size使用比率。blocks数量多,内存使用越多。


特惠体验云数据库 



↓↓更多惊喜优惠请点这儿~