spark提交异常日志分析

java.lang.NoSuchMethodError: org.apache.spark.sql.SQLContext.sql(Ljava/lang/String;)Lorg/apache/spark/sql/Dataset;

这是因为代码中调用的是spark2.0的接口，但是提交任务采用的是spark-submit（spark1的提交指令，spark2的提交指令是spark2-submit）方式导致；

再后来通过spark2-submit进行提交，但是发现爆了一个ClassNotFound（Config）的异常，根据堆栈找地方，发现是一个Configure类的初始化，和开发人员以沟通，原来是提交包的时候没有全量提交；Config是在config-1.2.1.jar中，所以运行环境没有该jar包导致。

spark运行日志其实是在yarn的日志中，在cloudera中选择YARN->菜单中选择Web UI->ResourceManager Web UI->点击ID列，进入到详情页面，在最下面点击logs链接即可看到日志。

但是注意：

dataframe.rdd.map(r => XXX)

在scala中map引用函数里面打日志，但是始终都没有打出来，但是map前面的日志却可以在控制台通过println打印出来。

我一直觉得很奇怪。后来才知道这是因为map执行是在各个节点中进行，并没有在提交代码的进程中；所以你在当前线程下看不到日志；

后来我又到YARN下面查看日志也没有看到println出来的日志，这是怎么回事？因为输入到日志文件的都是log4j类输出到配置文件配置的日志文件中；println是输出到控制台，我们知道tail方式看日志是无法看到println打出的日志的。

java.io.IOException: Cannot run program "/etc/hadoop/conf.cloudera.yarn/topology.py" (in directory "

首先确认你本地是否有这个文件；

然后，spark2-submit的时候，添加--master yarn（spark2是yarn，网上讲是yarn-cluster，难道是spark1吗），说明此次任务提交是给YARN（相对应的是提交给spark自己，这是spark alone模式）；

　　第三种情况，添加完后该异常仍然出现，后来看到另外一种情况是文件没有权限，后来topology文件添加了cloudera-scm权限后搞定（我的情况是文件root权限）。其实对于已经存在文件报一些异常比如无法读取，不存在，很可能就是因为权限问题。org.apache.spark.sql.AnalysisException: Call From s1/192.168.156.105 to s1:8020 failed on connection exception: java.net.ConnectException: 拒绝连接; For more details see:  http://wiki.apache.org/hadoop/ConnectionRefused

但凡是出现此类异常就说明了你所请求的服务ip端口不存在或者错误；我碰到的问题就是hdfs的metastore服务部署在A机器，但是代码中hdfs：//B机器ip:8020，导致了此异常；登录A机器lsof -i:8020可以看到hdfs用户进行；但是登录B机器却无法发现hdfs用户进程内容。

数据不对

对于Not In的处理，切记：转化为join的形式为Left Join（left_outer)！