Failed to create Spark client for Spark session/30041Code

记录排错历程

        问题简介：根据尚硅谷数仓4.0学习集群运行了一段时间，可以正常使用spark运行，出现阶段运行情况的红色框，但是不知道为什么突然有一次，返回30041code，无法运行创建spark session。

第一种情况：多尝试运行几次

        刚开始是觉得集群内存不足，因为我的集群三台机器都是再虚拟机上的，整个电脑16G内存，每个hadoop10x分配4G左右，所以内存不足无法运行，当然这只是第一感觉，并没有查看日志证实。

        通过xcall free -h查看集群内存的运行情况，发现无法运行任务的时候，hadoop102内存使用了一些，注意这时候swap并没有用很多

--------- hadoop102 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        4.8G        137M         98M        944M        633M
Swap:          4.0G        2.5M        4.0G
--------- hadoop103 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        3.9G        356M         89M        1.6G        1.5G
Swap:          4.0G          0B        4.0G
--------- hadoop104 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        3.6G        641M         67M        1.6G        1.8G
Swap:          4.0G          0B        4.0G

我反复运行几次插入语句，集群成功运行了。再去查看free -h，swap内存用了1个G，其他机器内存也用了好多。

--------- hadoop102 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        5.4G        119M         64M        262M         55M
Swap:          4.0G        1.6G        2.4G
--------- hadoop103 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        4.4G        117M         89M        1.3G        1.0G
Swap:          4.0G          0B        4.0G
--------- hadoop104 ----------
              total        used        free      shared  buff/cache   available
Mem:           5.8G        4.0G        654M         81M        1.2G        1.4G

所以这时我认为，就是不知道为什么其他机器没有启动运行任务，所以spark没有运行起来。

第二种情况

        在出现第一种情况时候，我也在玩网上查找了好多博客，但是感觉都不好用，没有解决我的问题。

1、Spark没有正常启动
 
2、Spark和Hive版本不匹配
 
3、资源不足，导致Hive连接Spark客户端超过设定时长

        这是一篇博客总结的。首先，hive on spark配置，已经把以来的spark jar包上传到集群了，hive集群会使用这些jar包，spark不用单独启动。然后spark的版本和hive版本是尚硅谷资料，应该不会有错，并且以前我也成功运行了，说明不是版本不匹配的问题。超过时长我也改了，在hive-site.xml文件里，改为了90000ms，相当大了，但是依然出错。我反复尝试运行hive语句，尝试了两天也没有办法成功运行。我查看free -h发现，swap一直没用，很苦恼。

        我只能将原因归于超时，后来在hive里面通过

set hive.spark.client.server.connect.timeout

        语句发现，我的这个参数还是30000MS，默认的，我很奇怪，我明明在hive-site.xml改过了，hive-site.xml，在hive里面设置set 参数，只是单会话有效，文件里面设置，每次开启都会有效。后来我发现这里有两个参数，我不知道两个参数到底什么意思，很像，我就直接设置了。

<property>
    <name>hive.spark.client.server.connect.timeout</name>
    <value>3000000ms</value>
</property>
<property>
    <name>hive.spark.client.connect.timeout</name>
    <value>3000000ms</value>
</property>

但是，这依然不行，没有运行。

        然后开始查看hive日志，hive-log4j2.properties.template显示日志默认在/tmp/{usr}/hive目录下，就是查看hive.log，显示connect time out，但是我已经设置的很长了，没办法了，，，

        第二个查看yarn日志，因为spark最终提交给yarn运行的。查看命令

yarn application -list -appStates ALL

找出来出错的那条日志，给了一个地址，在hadoop103:8088上，就是看了这个页面。

Hive on Spark (sessionId = f7d1282d-c868-41f0-bb65-e11bc59ca4ec)	               SPARK	       lxw	   default	            FAILED	            FAILED	             0%	http://hadoop103:8088/cluster/app/application_1662382619809_0003
application_1662382619809_0002	Hive on Spark (sessionId = 5a5c3914-be1c-4e8a-9bf0-617c57433c50)	               SPARK	       lxw	   default	            FAILED	            FAILED	             0%	http://hadoop103:8088/cluster/app/application_1662382619809_0002
application_1662382619809_0001	Hive on Spark (sessionId = 422e1d97-2d0b-455b-9269-f49401d53afd)	               SPARK	       lxw	   default	            FAILED	            FAILED	             0%	http://hadoop103:8088/cluster/app/application_1662382619809_0001

Diagnostics:	
Application application_1662382619809_0001 failed 1 times (global limit =2; local limit is =1) due to AM Container for appattempt_1662382619809_0001_000001 exited with exitCode: 1
Failing this attempt.Diagnostics: [2022-09-05 21:05:47.999]Exception from container-launch.
Container id: container_1662382619809_0001_01_000001
Exit code: 1
[2022-09-05 21:05:48.032]Container exited with a non-zero exit code 1. Error file: prelaunch.err.
Last 4096 bytes of prelaunch.err :
Last 4096 bytes of stderr :
Error: Could not find or load main class org.apache.spark.deploy.yarn.ApplicationMaster
[2022-09-05 21:05:48.033]Container exited with a non-zero exit code 1. Error file: prelaunch.err.
Last 4096 bytes of prelaunch.err :
Last 4096 bytes of stderr :
Error: Could not find or load main class org.apache.spark.deploy.yarn.ApplicationMaster
For more detailed output, check the application tracking page: http://hadoop103:8088/cluster/app/application_1662382619809_0001 Then click on links to logs of each attempt.
. Failing the application.

 查看这块，发现

Error: Could not find or load main class org.apache.spark.deploy.yarn.ApplicationMaster

没有发现spark的类，又去查博客，为什么这样，才发现，原来是集群缺少jar包。但是，我的集群跟着尚硅谷配的，不应该缺少，后来上集群看了一下，确实没有spark-jars目录下，确实没有任何jars包！！！！！！！

        我就重新上传了jar包，运行hive，成功运行！！！！！！！

总结：

        1.为什么出错？

           在配置Hive on Spark的时候，jar包已经上传集群，为什么后来没有了呢？我的集群是在本机虚拟机创建的，内存太小，有一次我想扩大虚拟机内存，直接在VMware上在集群未关闭的情况下更改了虚拟机配置，保存后，VMware直接开始重载新的虚拟机配置，在重载恢复虚拟机状态的时候，由于太慢了，真的太慢了，我直接手动关闭了虚拟机。再次开启之后，发现集群进入了严格模式，只能读，并且，在9870端口，报很多数据块丢失的错误，然后根据教程，我修复了磁盘，就是把报错的数据块都删了，集群正常运行。现在回想，应该是当时删掉了jar包。但是自己没注意。

        2.遇到30041怎么办？

        每个人情况不同，但是总体方法就是看日志。首先hive日志，默认/tmp/usr/hive.log目录，如果显示timeOut ,需要延长连接时间，但是这不一样管用，应为spark没有正常运行，延多久也没用；那么再去看yarn日志，采用命令的方式，在8088端口页面寻找失败的任务日志，精准定位错误。