Spark集群中一个Worker启动失败的排错记录

集群下电停机后再次启动时，发现其中一台节点的worker启动失败。

1 检查失败节点worker启动日志

检查启动日志报以下错：

Spark Command: bin/java -cp /opt/hdSpace/spark/conf/:/opt/hdSpace/spark/jars/*:/opt/hdSpace/hadoop/etcihadoop/ -Dspark.deploy.recoveryode=Z00KEEPER -Dspark,deploy .zookeeper,url=hadoop01,hadoop02,hadoop03-Dspark.deploy.zookeeper.dir=/spark -Dspark.worker.cleanup.enabled=true -Dspark.worker.cleanup.interval-86400
-Dspark.worker.cleanup.appDataTtl-259200 -Xmx1g org.apache. spark.deploy.worker,orker --webui-port 8081
spark://hadoop01:7077
======================================
/opt/hdSpace/spark/bin/spark-class: line 99: /opt/hdSpace/spark/bin/java: No such file or directory

根据/opt/hdSpace/spark/bin/java: No such file or directory，问题定位大致是目录的原因，涉及到jdk的目录，这里将jdk目录解析到了spark目录下，而spark/bin/java中根本没有jdk。

2 检查正常节点worker启动日志

于是找一台正常启动worker的节点查看日志：

Spark Command: /opt/java8/bin/java 

只看第一行的前半句日志，jdk目录的配置似乎出现了问题。
于是检查spark-env.sh。
发现JAVA_HOME的配置写的是变量：

export JAVA_HOME=${JAVA_HOME}

于是echo一下：

# echo ${JAVA_HOME}
/opt/java8

看上去是没问题的，因为这里确实是jdk的目录。

此时，需要和其他节点的配置做一个对比，因为这套集群的spark并不是我安装的，spark配置文件的分发我不能保证正确。

3 查看正常节点spark环境配置

再次查看一台其他正常启动的worker的spark-env.sh:

export JAVA_HOME=/opt/java8

这里写的是绝对路径，于是将失败节点也配置为了绝对路径，再次启动worker，该目录问题解决。

• 经过对比检查，解决了jdk目录的问题。

4 又出现新的ERROR

INFO ExternalShuffleService:54 - Starting shuffle service on port 7337 (auth enabled = false)
ERROR Worker:91 - Failed to start external shuffle service
java.net.BindException: Address already in useat sun.nio.ch.NET.bind0...

4.1 报错解释

这是因为端口7337被占用了，端口 7337 在 Spark Cluster 模式中通常用于 Spark 的 Executor 进程之间进行通信。Executor 进程是 Spark 应用程序的工作单元，它们负责执行 Spark 任务，并将结果返回给 Driver 程序。Executor 之间需要进行数据交换和通信，而端口 7337 通常用于这些通信。当进行Shuffle操作（如reduceByKey或groupByKey）时，数据需要从不同的 Executor 之间传输，以进行数据重组。这也可能涉及到端口 7337。

4.2 报错解决思路

此时需要查看端口（例如 7337 端口）的网络连接，可以使用 netstat 命令或 ss 命令。

使用 netstat 命令：

netstat -tuln | grep 7337

上述命令将显示所有监听（-l）的UDP（-u）和TCP（-t）连接，然后使用 grep 过滤出包含 “7337” 的行，这些行表示占用了 7337 端口的连接。

使用 ss 命令：

ss -tuln | grep 7337

与 netstat 类似，这个命令也会列出占用 7337 端口的网络连接。

这将显示占用 7337 端口的网络连接的相关信息，包括本地地址、远程地址等。如果有进程正在使用这个端口，可以从相关的信息中找到它。

4.3 端口报错解决操作

[root@hadoop10 logs]# lsof -i:7337
COMMAND PID USER FD TYPE DEVICE SIZE/OFF NODE NAME 
java 24611 root IPv6 108223 0t0 TCP *:7337 (LISTEN)
[root@hadoop10 logs]# kill -9 24611
[root@hadoop10 logs]# ss -tuln  grep 7337
[root@hadoop10 logs]# jps
24448 DataNode
25089 HRegionServer
35141 Jps
34890 Worker

将占用端口kill掉后，重新启动spark节点，worker启动成功。