Apache Hive 未正确返回 YARN 应用程序结果

Question

我是运行 AWS EC2 上的一个全新集群。我有一个用 S3 上的数据定义的外部 table（分区）。我能够查询此 table 并使用简单的 select * 语句将结果接收到控制台：

hive> set hive.execution.engine=tez;
hive> select * from external_table where partition_1='1' and partition_2='2';
<correct results returned>

运行需要 Tez 的查询不会 return 将结果发送到控制台：

hive> set hive.execution.engine=tez;
hive> select count(*) from external_table where partition_1='1' and partition_2='2';
Status: Running (Executing on YARN cluster with App id application_1572972524483_0012)

OK
+------+
| _c0  |
+------+
+------+
No rows selected (8.902 seconds)

但是，如果我深入挖掘日志和文件系统，我可以找到该查询的结果：

(yarn.resourcemanager.log) org.apache.hadoop.yarn.server.resourcemanager.RMAuditLogger: USER=root     OPERATION=AM Released Container TARGET=SchedulerApp     RESULT=SUCCESS  APPID=application_1572972524483_0022      CONTAINERID=container_1572972524483_0022_01_000002      RESOURCE=<memory:1024, vCores:1>        QUEUENAME=default
(container_folder/syslog_attempt) [TezChild] |exec.FileSinkOperator|: New Final Path: FS file:/tmp/<REALLY LONG FILE PATH>/000000_0
[root #] cat /tmp/<REALLY LONG FILE PATH>/000000_0
SEQ"org.apache.hadoop.io.BytesWritableorg.apache.hadoop.io.Textl▒ꩇ1som}▒▒j¹▒    2060

2060 是分区的正确计数。

现在，奇怪的是，如果我在 HDFS 上插入覆盖目录，我能够从应用程序中获取结果：

hive> set hive.execution.engine=tez;
hive> INSERT OVERWRITE DIRECTORY '/tmp/local_out' select count(*) from external_table where partition_1='1' and partition_2='2';
[root #] hdfs dfs -cat /tmp/local_out/000000_0
2060

但是，尝试插入覆盖本地目录失败：

hive> set hive.execution.engine=tez;
hive> INSERT OVERWRITE LOCAL DIRECTORY '/tmp/local_out' select count(*) from external_table where partition_1='1' and partition_2='2';
[root #] cat /tmp/local_out/000000_0
cat: /tmp/local_out/000000_0: No such file or directory

如果我为这个查询 cat 容器结果文件，它只是数字，没有 class 名称或特殊字符：

[root #] cat /tmp/<REALLY LONG FILE PATH>/000000_0
2060

我能找到的唯一不合适的日志消息来自 YARN ResourceManager 日志：

(yarn.resourcemanager.log) INFO org.apache.hadoop.yarn.server.resourcemanager.RMAuditLogger: USER=root     OPERATION=AM Released Container TARGET=SchedulerApp     RESULT=SUCCESS  APPID=application_1572972524483_0023      CONTAINERID=container_1572972524483_0023_01_000004      RESOURCE=<memory:1024, vCores:1>        QUEUENAME=default
(yarn.resourcemanager.log) WARN org.apache.hadoop.yarn.server.resourcemanager.RMAuditLogger: USER=root     IP=NMIP   OPERATION=AM Released Container TARGET=Scheduler        RESULT=FAILURE    DESCRIPTION=Trying to release container not owned by app or with invalid id.    PERMISSIONS=Unauthorized access or invalid container    APPID=application_1572972524483_0023    CONTAINERID=container_1572972524483_0023_01_000004

基于最模糊的印象，我的猜测是当结果写入本地文件系统时存在字符编码问题（因此容器结果文件中的特殊字符）但这实际上只是一个猜测，我不知道如何verify/tackle那个问题。非常感谢任何帮助！

Answer 1

你是如何将数据插入到配置单元中的table？ Hive 从 Metastore 而不是运行给出 count(*) 结果一个计数作业来优化性能。首先尝试在此 table 上进行 MSCK 修复，让配置单元了解新的外部文件并相应地修改配置单元元存储。

Answer 2

Apache Hive 邮件列表中的某个人建议这是由 YARN 容器将其结果文件写入本地机器运行而不是 HDFS 引起的。我在源代码中做了一些挖掘，发现：

mapreduce.framework.name=local

这是 Hadoop 3.2.1 中的默认设置，导致了这个问题。

解决方法：

set mapreduce.framework.name=yarn

Apache Hive 未正确返回 YARN 应用程序结果

Apache Hive Not Returning YARN Application Results Correctly

hadoop

hive

hadoop-yarn

apache-tez