记一次 spark rdd 写数据到 hbase 报 NPE 的问题排查

Posted 2022-12-05 scx_white

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了记一次 spark rdd 写数据到 hbase 报 NPE 的问题排查相关的知识，希望对你有一定的参考价值。

文章目录

前言
问题排查

前言

最近我们的 EMR 集群要从 spark2.3.2 升级到 spark2.4.3 来解决 spark 小文件多的问题。但是在升级后发现之前 spark rdd 写 hbase 正常的任务报错了，花费一番功夫才解决，所以写篇文章记录下。

首先看下报错内容

CONSOLE# 20/06/09 14:26:48 ERROR Start: 同步数据异常

CONSOLE# java.lang.NullPointerException

CONSOLE# at org.apache.hadoop.hbase.security.UserProvider.instantiate(UserProvider.java:123)

CONSOLE# at org.apache.hadoop.hbase.client.ConnectionFactory.createConnection(ConnectionFactory.java:214)

CONSOLE# at org.apache.hadoop.hbase.client.ConnectionFactory.createConnection(ConnectionFactory.java:119)

CONSOLE# at org.apache.hadoop.hbase.mapreduce.TableOutputFormat.checkOutputSpecs(TableOutputFormat.java:177)

CONSOLE# at org.apache.spark.internal.io.HadoopMapReduceWriteConfigUtil.assertConf(SparkHadoopWriter.scala:391)

CONSOLE# at org.apache.spark.internal.io.SparkHadoopWriter$.write(SparkHadoopWriter.scala:71)

CONSOLE# at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsNewAPIHadoopDataset$1.apply$mcV$sp(PairRDDFunctions.scala:1083)

CONSOLE# at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsNewAPIHadoopDataset$1.apply(PairRDDFunctions.scala:1081)

CONSOLE# at org.apache.spark.rdd.PairRDDFunctions$$anonfun$saveAsNewAPIHadoopDataset$1.apply(PairRDDFunctions.scala:1081)

CONSOLE# at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)

CONSOLE# at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)

CONSOLE# at org.apache.spark.rdd.RDD.withScope(RDD.scala:363)

CONSOLE# at org.apache.spark.rdd.PairRDDFunctions.saveAsNewAPIHadoopDataset(PairRDDFunctions.scala:1081)

CONSOLE# at com.tuya.earth.sink.HbaseSink.saveToHbase(HbaseSink.scala:137)

CONSOLE# at com.tuya.earth.sink.HbaseSink.insert(HbaseSink.scala:43)

CONSOLE# at com.tuya.earth.Flow.lambda$sink$2(Flow.java:63)

CONSOLE# at java.util.ArrayList.forEach(ArrayList.java:1257)

CONSOLE# at com.tuya.earth.Flow.sink(Flow.java:60)

CONSOLE# at com.tuya.earth.Flow.start(Flow.java:36)

CONSOLE# at com.tuya.earth.Start.main(Start.java:20)

CONSOLE# at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)

CONSOLE# at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)

CONSOLE# at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)

CONSOLE# at java.lang.reflect.Method.invoke(Method.java:498)

CONSOLE# at org.apache.spark.deploy.JavaMainApplication.start(SparkApplication.scala:52)

CONSOLE# at org.apache.spark.deploy.SparkSubmit.org$apache$spark$deploy$SparkSubmit$$runMain(SparkSubmit.scala:849)

CONSOLE# at org.apache.spark.deploy.SparkSubmit.doRunMain$1(SparkSubmit.scala:167)

CONSOLE# at org.apache.spark.deploy.SparkSubmit.submit(SparkSubmit.scala:195)

CONSOLE# at org.apache.spark.deploy.SparkSubmit.doSubmit(SparkSubmit.scala:86)

CONSOLE# at org.apache.spark.deploy.SparkSubmit$$anon$2.doSubmit(SparkSubmit.scala:924)

CONSOLE# at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:933)

CONSOLE# at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)

该程序是一个由 hive->hbase 同步任务，同步工具是我们内部使用 spark 代码开发的，支持es，mysql，kafka，hbase，hive的数据互相同步。

问题排查

起初报了这个 NPE，首先想到的是不是由于 spark 版本升级到 2.4.3 了，扩展 jar 的 hbase 版本也变了，于是就到服务器上看了下。

首先看了 2.3.2 集群的

[hadoop@172 jars]$ ll | grep hbase
-rw-r--r-- 1 hadoop hadoop    20846 Jan 21  2019 hbase-annotations-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop  1332395 Jan 21  2019 hbase-client-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   590351 Jan 21  2019 hbase-common-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   230728 Jan 21  2019 hbase-common-1.3.1-tests.jar
-rw-r--r-- 1 hadoop hadoop   131409 Jan 21  2019 hbase-examples-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop    19383 Jan 21  2019 hbase-external-blockcache-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   117596 Jan 21  2019 hbase-hadoop2-compat-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop    43912 Jan 21  2019 hbase-hadoop-compat-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop    13030 Jan 21  2019 hbase-it-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   102340 Jan 21  2019 hbase-prefix-tree-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   125967 Jan 21  2019 hbase-procedure-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop  4513305 Jan 21  2019 hbase-protocol-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop    55060 Jan 21  2019 hbase-resource-bundle-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   438777 Jan 21  2019 hbase-rest-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop  4399312 Jan 21  2019 hbase-server-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop    12889 Jan 21  2019 hbase-shell-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop  2801459 Jan 21  2019 hbase-thrift-1.3.1.jar
-rw-r--r-- 1 hadoop hadoop   113540 Jan  3 14:34 hive-hbase-handler-2.3.3.jar

2.4.3集群

[hadoop@172 jars]$ ll | grep hbase
-rw-r--r-- 1 hadoop hadoop    21221 Feb 21 12:03 hbase-annotations-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop  1404274 Feb 21 12:03 hbase-client-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop   620026 Feb 21 12:03 hbase-common-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop   241949 Feb 21 12:03 hbase-common-1.4.9-tests.jar
-rw-r--r-- 1 hadoop hadoop   136241 Feb 21 12:03 hbase-hadoop2-compat-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop    37120 Feb 21 12:03 hbase-hadoop2-compat-1.4.9-tests.jar
-rw-r--r-- 1 hadoop hadoop    51450 Feb 21 12:03 hbase-hadoop-compat-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop    29309 Feb 21 12:03 hbase-metrics-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop    21803 Feb 21 12:03 hbase-metrics-api-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop   103320 Feb 21 12:03 hbase-prefix-tree-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop   131122 Feb 21 12:03 hbase-procedure-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop  4950745 Feb 21 12:03 hbase-protocol-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop  4686217 Feb 21 12:03 hbase-server-1.4.9.jar
-rw-r--r-- 1 hadoop hadoop   113942 Feb 28 23:00 hive-hbase-handler-2.3.5.jar

明显看到，随着 spark 版本从 2.3.2 升级到 2.4.3, hbase 的版本从 1.3.1升到了1.4.9。
那么就是版本的问题了，然后就是根据上面 NPE 的堆栈信息，查看两个版本 hbase 代码的区别。

CONSOLE# at org.apache.hadoop.hbase.security.UserProvider.instantiate(UserProvider.java:123)

CONSOLE# at org.apache.hadoop.hbase.client.ConnectionFactory.createConnection(ConnectionFactory.java:214)

CONSOLE# at org.apache.hadoop.hbase.client.ConnectionFactory.createConnection(ConnectionFactory.java:119)

CONSOLE# at org.apache.hadoop.hbase.mapreduce.TableOutputFormat.checkOutputSpecs(TableOutputFormat.java:177)

根据堆栈发现其中抛 NPE 异常的代码就在 UserProvider 类的 123 行,该行的代码是

  public static UserProvider instantiate(Configuration conf) 
    //123行代码
    Class<? extends UserProvider> clazz =
        conf.getClass(USER_PROVIDER_CONF_KEY, UserProvider.class, UserProvider.class);
    return ReflectionUtils.newInstance(clazz, conf);

仔细看代码，可能为 null 的地方只有是 conf 实例，根据堆栈信息向上排查，发现 conf 实例是从 TableOutputFormat.checkOutputSpecs 传进来的

1.4.9 版本的 TableOutputFormat 类

  @Override
  public void checkOutputSpecs(JobContext context) throws IOException,
      InterruptedException 

    //getConf() 可能为 null
    try (Admin admin = ConnectionFactory.createConnection(getConf()).getAdmin()) 
      TableName tableName = TableName.valueOf(this.conf.get(OUTPUT_TABLE));
      if (!admin.tableExists(tableName)) 
        throw new TableNotFoundException("Can't write, table does not exist:" +
            tableName.getNameAsString());
      

      if (!admin.isTableEnabled(tableName)) 
        throw new TableNotEnabledException("Can't write, table is not enabled: " +
            tableName.getNameAsString());
      
    
  
  @Override
  public Configuration getConf() 
    return conf;
  

  @Override
  public void setConf(Configuration otherConf) 
    String tableName = otherConf.get(OUTPUT_TABLE);
    if(tableName == null || tableName.length() <= 0) 
      throw new IllegalArgumentException("Must specify table name");
    

    String address = otherConf.get(QUORUM_ADDRESS);
    int zkClientPort = otherConf.getInt(QUORUM_PORT, 0);
    String serverClass = otherConf.get(REGION_SERVER_CLASS);
    String serverImpl = otherConf.get(REGION_SERVER_IMPL);

    try 
      this.conf = HBaseConfiguration.createClusterConf(otherConf, address, OUTPUT_CONF_PREFIX);

      if (serverClass != null) 
        this.conf.set(HConstants.REGION_SERVER_IMPL, serverImpl);
      
      if (zkClientPort != 0) 
        this.conf.setInt(HConstants.ZOOKEEPER_CLIENT_PORT, zkClientPort);
      
     catch(IOException e) 
      LOG.error(e);
      throw new RuntimeException(e);

查看了 TableOutputFormat 类，发现并没有什么异常的地方。于是看了下hbase1.3.1 版本，发现该类的 checkOutputSpecs 是个空实现。

  @Override
  public void checkOutputSpecs(JobContext context) throws IOException,
      InterruptedException 
    // TODO Check if the table exists?

这就很尴尬了，对比两个版本目前无法帮助到我们。但是有一点很明确，只要调用了 setConf 就不会为 null，难道是没调用 setConf 方法？带着这个问题，继续往下看堆栈，直到进入spark sql的PairRDDFunctions.saveAsNewAPIHadoopDataset 方法

  def saveAsNewAPIHadoopDataset(conf: Configuration): Unit = self.withScope 
    // Rename this as hadoopConf internally to avoid shadowing (see SPARK-2038).
    val hadoopConf = conf
    val job = NewAPIHadoopJob.getInstance(hadoopConf)
    val formatter = new SimpleDateFormat("yyyyMMddHHmm")
    val jobtrackerID = formatter.format(new Date())
    val stageId = self.id
    val jobConfiguration = job.getConfiguration
    val wrappedConf = new SerializableConfiguration(jobConfiguration)
    val outfmt = job.getOutputFormatClass
    val jobFormat = outfmt.newInstance

    if (isOutputSpecValidationEnabled) 
      // FileOutputFormat ignores the filesystem parameter
      jobFormat.checkOutputSpecs(job)
    
    ##省略下面代码

果然是没有调用 TableOutputFormat.setConf 方法，但是 spark-sql 这边好像也有个开关来开启是否进行检测输出表是否存在。

  private def isOutputSpecValidationEnabled: Boolean = 
    val validationDisabled = PairRDDFunctions.disableOutputSpecValidation.value
    val enabledInConf = self.conf.getBoolean("spark.hadoop.validateOutputSpecs", true)
    enabledInConf && !validationDisabled

于是我尝试着在同步任务提交时加上 --conf spark.hadoop.validateOutputSpecs=false 参数，任务果然正常了。
算是临时解决的这个问题。

对于我来说，到这里当然不算结束了，因为不管是spark还是hbase应该是发现了这个问题才对，毕竟hbase都2.2.5版本了。于是我到github clone了hbase的源码，在master分支我发现他们已经解决了这个bug

  @Override
  public void checkOutputSpecs(JobContext context) throws IOException,
      InterruptedException 
    Configuration hConf = getConf();
    if (hConf == null) 
      hConf = context.getConfiguration();
    

    try (Admin admin = ConnectionFactory.createConnection(hConf).getAdmin()) 
      TableName tableName = TableName.valueOf(hConf.get(OUTPUT_TABLE));
      if (!admin.tableExists(tableName)) 
        throw new TableNotFoundException("Can't write, table does not exist:" +
            tableName.getNameAsString());
      

      if (!admin.isTableEnabled(tableName)) 
        throw new TableNotEnabledException("Can't write, table is not enabled: " +
            tableName.getNameAsString());

解决方式也很简单，因为我们在写 spark rdd 写 hbase 的代码时，会把配置放到 JobContext ，所以 hbase 的相关配置事可以从 JobContext 获取的。本来想提个 pr 的。。哈哈，发现的太晚了，hbase 在 2.0.0 版本就已经修复了这个问题。
其实 spark2.4.3 也有个 UDAF 的 bug ,虽然解决了，但是没找到原因，等找到原因了，再发一篇～

以上是关于记一次 spark rdd 写数据到 hbase 报 NPE 的问题排查的主要内容，如果未能解决你的问题，请参考以下文章

记一次spark内存泄露问题

将大型 Hbase 表加载到 SPARK RDD 中需要很长时间

17 记一次 spark 读取大数据表 OOM OutOfMemoryError: GC overhead limit exceeded

Spark读取Hbase中的数据