Hadoop On Demand用户指南

简介

Hadoop On Demand (HOD)是一个能在大规模物理集群上供应虚拟Hadoop集群的系统。它使用Torque资源管理器进行节点分配。在所分配的节点上，它能启动Hadoop Map/Reduce以及HDFS守护进程。它能自动为Hadoop守护进程及客户端生成合适的配置文件(Hadoop-site.xml)。HOD还能够将Hadoop分发到它分配的虚拟集群节点上。总之，HOD方便管理者和用户快速安装与使用Hadoop。它也是需要在同一物理集群上测试各自版本的Hadoop开发者和测试者的实用工具。

HOD支持Hadoop 0.15及其后续版本。

后面的文档包括一个快速入门指南能让你快速上手HOD，一个所有HOD特性的详细手册，命令行选项，一些已知问题和故障排除的信息。

HOD使用入门

在这部分，我们将会逐步骤地介绍使用HOD涉及到的最基本的操作。在开始遵循这些步骤之前，我们假定HOD及其依赖的软硬件均已被正确安装和配置。这步通常由集群的系统管理员负责。

HOD的用户界面是一个命令行工具，叫做hod。它被一个通常由系统管理员为用户设置好的配置文件所驱动。用户在使用hod的时候可以覆盖这个配置，文档的后面会由介绍。使用hod时有如下两种方式可以指定配置文件：

在命令行中指定，使用 -c 选项。例如hod <operation> <required-args> -c path-to-the-configuration-file [ohter-options]
在运行hod的地方设置环境变量HOD_CONF_DIR。这个变量应指向指向一个本地目录，其中有名为hodrc的文件。这与Hadoop中的HADOOP_CONF_DIR与hadoop-site.xml文件是类似的。如果命令行中未指定配置文件，hod会查找HOD_CONF_DIR环境变量指定目录下的hodrc文件。

下面的例子中，我们将不会明确指出这个配置选项，假定其已正确指定。

一个典型HOD会话

一个典型HOD会话至少包括三个步骤：分配，执行Hadoop作业，回收。为此，执行如下步骤。

创建一个集群目录

集群目录是本地文件系统上的一个目录，hod会为它分配的集群产生对应的Hadoop配置hadoop-site.xml，放在这个目录下。这个目录可以按下文所述方式传递给hod操作。如果这个目录不存在，HOD会自动创建这个目录。一但分配好了集群，用户可通过Hadoop --config选项指定集群目录，在之上运行Hadoop作业。

allocate操作

allocate操作用来分配一组节点并在之上安装和提供Hadoop。它的语法如下。注意它要求指定参数集群目录（-d, --hod.clusterdir）和节点个数（-n, --hod.nodecount）：

$ hod allocate -d cluster_dir -n number_of_nodes [OPTIONS]

如果命令成功执行，cluster_dir/hadoop-site.xml会被生成，文件中包含了分配出的集群的信息。它也会打印出关于Hadoop的web UI的信息。

试运行这个命令会产生如下输出。注意在这个例子中集群目录是~/hod-clusters/test，我们要分配5个节点：

$ hod allocate -d ~/hod-clusters/test -n 5
INFO - HDFS UI on http://foo1.bar.com:53422
INFO - Mapred UI on http://foo2.bar.com:55380

在分配的集群上执行Hadoop作业

现在，可以用一般的方式在分配的集群上执行Hadoop作业了。这是假定像JAVA_HOME，指向Hadoop安装的路径已被正确地设置了：

$ hadoop --config cluster_dir hadoop_command hadoop_command_args

或者

$ export HADOOP_CONF_DIR=cluster_dir
$ hadoop hadoop_command hadoop_command_args

继续我们的例子，下面的命令会在分配的集群上运行wordcount的例子：

$ hadoop --config ~/hod-clusters/test jar /path/to/hadoop/hadoop-examples.jar wordcount /path/to/input /path/to/output

或者

$ export HADOOP_CONF_DIR=~/hod-clusters/test
$ hadoop jar /path/to/hadoop/hadoop-examples.jar wordcount /path/to/input /path/to/output

deallocate操作

deallocate操作用来回收分配到的集群。当完成集群使用之后，必须执行回收操作使这些节点可以为其他用户所用。deallocate操作的语法如下。注意它需要集群目录（-d, --hod.clusterdir）作为参数：

$ hod deallocate -d cluster_dir

继续我们的例子，如下命令会回收集群：

$ hod deallocate -d ~/hod-clusters/test

如你所见，HOD允许用户分配一个集群，随意的使用它来运行Hadoop作业。例如，通过从多个shell中启动使用同一个配置的hadoop，用户可以做到在同一个集群上并发运行多个作业。

使用HOD运行Hadoop脚本

HOD的script操作能将集群的分配，使用和回收组织在一起。这对那些想运行Hadoop作业脚本，期望HOD能在脚本结束后自动完成清理操作的用户特别管用。用hod执行Hadoop脚本，需要这么做：

创建脚本文件

这是一个普通的shell脚本，通常里面会包含hadoop命令，如：

$ hadoop jar jar_file options

当然，用户可以向脚本中添加任何有效的命令。HOD会在执行这个脚本时自动地设置HADOOP_CONF_DIR指向分配的集群。用户不必对此担心。不过，像分配操作时一样，用户需要指定一个集群目录。

运行脚本

脚本操作的语法如下。注意它需要集群目录（-d, --hod.clusterdir），节点个数（-n, --hod.nodecount）以及脚本文件（-s, --hod.script）作为参数：

$ hod script -d cluster_directory -n number_of_nodes -s script_file

注意一但脚本执行完毕，HOD就会回收集群，这意味着脚本必须要做到等hadoop作业完成后脚本才结束。用户写脚本时必须注意这点。

HOD的功能

供应与管理Hadoop集群

HOD主要功能是供应Hadoop的Map/Reduce和HDFS集群。这些在见入门一节已经做过描述。此外，要是还有节点可用，并且组织上也批准，一个用户可以在同一时间内使用HOD分配多个Map/Reduce集群。对于分配到的不同集群，用户需要为上面提到的cluster_dir参数指定不同的路径。HOD提供list和info操作可以管理多个集群。

list操作

list操作能列举到目前为止用户所创建的所有集群。存放hadoop-site.xml的集群目录，与JobTracker和／或HDFS的连接及状态也会被显示出来。list操作的使用语法如下：

$ hod list

info操作

info操作会显示指定集群相关的信息。这些信息包括Torque作业id，HOD Ringmaster进程，Hadoop的JobTracker和NameNode守护进程等重要守护进程的位置。info操作的语法如下。注意它需要集群目录（-d, --hod.clusterdir）作为参数：

$ hod info -d cluster_dir

cluster_dir应为前面allocate操作中指定的有效集群目录。

使用tarball分发Hadoop

供应Hadoop时，HOD可以使用集群节点上已经安装好的Hadoop，也可以将hadoop的tarball作为供应操作的一部分在节点上进行分发和安装。如果使用tarball选项，就不必非得使用预装的Hadoop了，也不要求集群节点上必须有一个预装的版本。这对开发／QE环境下在一个共享集群上测试不同版本hadoop的开发者尤其有用。

要使用预装的Hadoop，你必须在hodrc中的gridservice-hdfs部分和gridservice-mapred部分指定pkgs选项。它必须指向集群中所有节点上Hadoop的安装路径。

指定Tarball的语法如下：

$ hod allocate -d cluster_dir -n number_of_nodes -t hadoop_tarball_location

例如，下面的命令根据tarball~/share/hadoop.tar.gz分配Hadoop：

$ hod allocate -d ~/hadoop-cluster -n 10 -t ~/share/hadoop.tar.gz

类似地，使用hod脚本的语法如下：

$ hod script -d cluster_directory -s scritp_file -n number_of_nodes -t hadoop_tarball_location

上面语法中指定的hadoop_tarball_location应指向从所有计算节点都可以访问的共享文件系统的路径。当前，HOD只支持挂载的NFS。

注意：

为了获得更好分发性能，建议Hadoop tarball只包含库与二进制文件，不包含源代码或文档。
当你希望在用tarball方式分配的集群上执行作业，你必须使用兼容的Hadoop版本提交你的作业。最好的方式是解压，使用Tarball中的版本。
你需要确保在tar分发包的conf目录下没有Hadoop配置文件hadoop-env.sh和hadoop-site.xml。如果这些文件存在并包含错误的值，集群分配可能会失败。

使用外部HDFS

在典型的由HOD提供的Hadoop集群中，HDFS已经被静态地（未使用HOD）设置好。这能使数据在HOD提供的集群被回收后还可以持久保存在HDFS中。为使用静态配置的HDFS，你的hodrc必须指向一个外部HDFS。具体就是，在hodrc的gridservice-hdfs部分将下面选项设置为正确的值：

external = true

host = HDFS NameNode主机名

fs_port = HDFS NameNode端口

info_port = HDFS NameNode web UI的端口

注意：你也可以从命令行开启这个选项。即，你这样去使用一个静态HDFS：

$ hod allocate -d cluster_dir -n number_of_nodes --gridservice-hdfs.external

如果需要，HOD即可以供应HDFS集群也可以供应Map/Reduce的集群HOD。这需要设置hodrc中的gridservice-hdfs部分的下列选项：

external = false

配置Hadoop的选项

HOD提供一个非常方便的机制能配置它提供的Hadoop守护进程和它在客户端生成的hadoop-site.xml。通过在HOD配置文件中指定配置参数，或在分配集群时在命令行指定都可做到这点。

配置Hadoop守护进程

要配置Hadoop守护进程，你可以这么做：

对于Map/Reduce，指定gridservice-mapred部分的server-params项的指为一个以逗号分割的key-value对列表。同配置动态HDFS集群一样，设置gridservice-hdfs部分的server-params项。如果这些参数应被标记成final，将这些参数包含到相应部分的final-server-params项中。

例如：

server-params = mapred.reduce.parallel.copies=20,io.sort.factor=100,io.sort.mb=128,io.file.buffer.size=131072

final-server-params = mapred.child.java.opts=-Xmx512m,dfs.block.size=134217728,fs.inmemory.size.mb=128

要从命令行指定选项，你可以用如下语法：

配置Map/Reduce守护进程：

$ hod allocate -d cluster_dir -n number_of_nodes -Mmapred.reduce.parallel.copies=20 -Mio.sort.factor=100

在上述例子中，mapred.reduce.parallel.copies参数和io.sort.factor参数将会被添加到server-params中，如果已经在server-params中存在，则它们会被覆盖。要将这些参数指定成final类型，你可以：

$ hod allocate -d cluster_dir -n number_of_nodes -Fmapred.reduce.parallel.copies=20 -Fio.sort.factor=100

不过，应注意final参数无法被命令行改写的，只有在未指定的情形才能追加。

配置动态供应的HDFS守护进程的选项与此相似。用-H替换-M以，用-S替换-F即可。

配置Hadoop的作业提交（客户端）程序

如上所述，当allocate操作成功后，cluster_dir/hadoop-site.xml将会生成，其中会包含分配的集群的JobTracker和NameNode的信息。这个配置用于向集群提交作业。HOD提供选项可将其它的hadoop配置参数添加到该文件，其语法如下：

$ hod allocate -d cluster_dir -n number_of_nodes -Cmapred.userlog.limit.kb=200 -Cmapred.child.java.opts=-Xmx512m

上例中，mapred.userlog.limit.kb和mapred.child.java.opts会被添加到hod产生的hadoop-site.xml中。

查看Hadoop的Web-UI

HOD的allocate操作会打印出JobTracker和NameNode的Web UI的URL。例如：

$ hod allocate -d ~/hadoop-cluster -n 10 -c ~/hod-conf-dir/hodrc
INFO - HDFS UI on http://host242.foo.com:55391
INFO - Mapred UI on http://host521.foo.com:54874

上面提到的info操作可以给你同样的信息。

收集和查看Hadoop日志

要获取在某些分配节点上运行的守护进程的Hadoop日志：

登录感兴趣的节点。如果你想查看JobTracker或者NameNode的日志，list和info操作能告诉你这些进程在那些节点上运行。
获取感兴趣的守护进程的进程信息（例如，ps ux | grep TaskTracker）
在这些进程信息中，查找变量-Dhadoop.log.dir的值。通常是hod配置文件里hodring.temp-dir目录的一个子目录。
切换到hadoop.log.dir目录以查看守护进程日志和用户日志。

HOD也提供了一个机制，能让你在集群回收后将日志收集存放到文件系统，或者一个在外部配置的HDFS中。这样的话，在作业完成，节点回收后你还可以看这些日志。要做到这点，像下面一样为log-destination-uri指定一个URI：

log-destination-uri= hdfs://host123:45678/user/hod/logs或者

log-destination-uri= file://path/to/store/log/files

在上面指定的的根目录中，HOD会创建路径user_name/torque_jobid，把作业涉及到的每个节点上的日志文件gzip压缩，存放在里面。

注意要在HDFS上存储这些文件，你得将hodring.pkgs项配置为和刚才提到的HDFS兼容的版本。否则，HOD会尝试使用它供应Hadoop集群时用到的Hadoop版本。

闲置集群的自动回收

HOD会自动回收在一段时间内没有运行Hadoop作业的集群。每次的HOD分配会带有一个监控设施不停地检查Hadoop作业的执行。如果侦测到在一定时间内没Hadoop作业在执行，它就回收这个集群，释放那些未被有效利用的节点。

注意：当集群被回收时，集群目录没有被自动清空。用户须通过一个正式的deallcocate操作清理它。

指定额外的作业属性

HOD允许用户为一个Torque作业指定一个时钟时间和一个名称（或者标题）。

时钟时间是对Torque作业有效时间的一个估计。这个时间过期后，Torque将自动删除这个作业，释放其节点。指定这个时钟时间还能帮助作业调度程序更好的安排作业，提高对集群资源的使用率。

指定时钟时间的语法如下：

$ hod allocate -d cluster_dir -n number_of_nodes -l time_in_seconds

Torque作业的名称或标题能给用户以友好的作业标识。每次展示Torque作业的属性的时候，这个字符串就会出现，包括qstat命令。

指定名称或标题的语法如下：

$ hod allocate -d cluster_dir -n number_of_nodes -N name_of_job

注意：由于底层Torque资源管理器的限制，不以字母开头或者包含空格的名字将导致作业失败。失败信息会表明问题存在于指定的作业名称中。

捕获HOD在Torque中的退出码

HOD退出码出现在Torque的exit_status字段中。这有助于使用者和系统管理员区分成功的HOD执行和失败的HOD执行。如果分配成功且所有Hadoop作业在所分配的集群上正确的执行，退出码为0。如果分配失败或者部分hadoop作业在分配集群上运行失败，退出码非0。下表列出了可能出现的退出码。注意：只有所使用的Hadoop版本是0.16或以上时，Hadoop作业状态才可以被捕获。

退出码	含义
6	Ringmaster故障
7	DFS故障
8	Job tracker故障
10	集群死亡
12	集群已分配
13	HDFS死亡
14	Mapred死亡
16	集群中所有的Map/Reduce作业失败。查看hadoop日志了解更多细节。
17	集群中部分的Map/Reduce作业失败。查看hadoop日志了解更多细节。

命令行

HOD命令行的通用的语法如下：
hod <operation> [ARGS] [OPTIONS]
允许的操作有‘allocate’，‘deallocate’，‘info’，‘list’，‘script’以及‘help’。要获取某特定操作的帮助你可以执行：hod help <operation>。要查看可能的操作你可以执行hod help options。

allocate
用法：hod allocate -d cluster_dir -n number_of_nodes [OPTIONS]
分配一个指定节点数目的集群，把分配信息存放在cluster_dir方便后续hadoop命令使用。注意cluster_dir必须在运行该命令前已经存在。

list
用法：hod list [OPTIONS]
列举出用户分配的所有集群。提供的信息包括集群对应的的Torque作业标识，存储分配信息的集群目录，Map/Reduce守护进程是否存活。

info
用法：hod info -d cluster_dir [OPTIONS]
列举集群分配信息存放于某指定集群目录的集群信息。

deallocate
用法：hod deallocate -d cluster_dir [OPTIONS]
回收集群分配信息存放于某指定集群目录的集群。

script
用法：hod script -s script_file -d cluster_directory -n number_of_node [OPTIONS]
用HODscript操作执行一个hadoop脚本。在给定数目的节点上提供Hadoop，在提交的节点执行这个脚本，并在脚本执行结束后回收集群。

help
用法：hod help [operation | 'options']
未指定参数时，hod help给出用法以及基本选项，等同于hod --help （见下文）。当指定参数‘options’时，显示hod的基本选项。当指定operation时，它会显示出该特定operation的用法和相应的描述。例如，希望了解allocate操作，你可以执行hod help allocate

除上面的操作外，HOD还能接受下列命令行选项。

--help
打印出用法和基本选项的帮助信息。

--verbose-help
hodrc文件中所有的配置项均可通过命令行传递，使用语法--section_name.option_name[=vlaue]。这种方式下，命令行传递的参数会覆盖hodrc中的配置项。verbose-help命令会列出hodrc文件中全部可用项。这也是一个了解配置选项含义的好方法。

下一部分有多数重要的hod配置项的描述。对于基本选项，你可以通过hod help options了解，对于所有的hod配置中的可能选项，你可以参看hod --verbose-help的输出。了解所有选项的描述，请参看配置指南。

HOD配置选项

如上所述，HOD的配置是通过系统管理员设置配置文件完成。这是一个INI风格的配置文件，文件分成多个段，每个段包含一些配置项。这些段分别和HOD的进程：client，ringmaster，hodring，mapreduce或hdfs相关。每一个配置项有选项名和值构成。

有两种方式可让用户覆盖默认配置文件里的设定：

在每条命令前，用户可以向HOD提供自己的配置文件，使用-c选项。
用户可以在命令行指定HOD的配置选项覆盖正使用的配置文件中提供的值。

这一节介绍一些最常用的配置项。为了指定方便，这些常用选项通常会有一个短选项名。所有其它选项可能用随后介绍的长选项指定。

-c config_file
提供要使用的配置文件。可与其他任何的HOD选项一起使用。此外，可定义HOD_CONF_DIR环境变量为一个包含hodrc文件的目录，避免每条HOD命令都要指定配置文件。

-d cluster_dir
大多数hod操作都要求这个选项。如此处描述的，集群目录是在本地文件系统上的一个目录，hod将它分配集群的相应Hadoop配置产生在这个目录里，即hadoop-site.xml。使用-d或者--hod.clusterdir将这个参数传递给hod操作，如果目录不存在，HOD会自动创建该目录。集群分配好后，用户可在这个集群上，通过指定hadoop--config为集群目录来执行Hadoop作业。

-n number_of_nodes
hod allocation操作和script操作要求这个选项。表示要分配的节点数。

-s script-file
脚本操作时需要，用于指定要执行的脚本文件。

-b 1|2|3|4
启用给定的调试级别。能与其他HOD选项一起使用。级别4最为详尽。

-t hadoop_tarball
从指定tar.gz文件提供Hadoop分发。此选项值只适用于allocate操作。为获得更好的分发性能，强烈推荐创建Hadoop tarball前删除其中的源代码或文档。

-N job-name
内部使用的资源管理作业名。比如，对于Torque作为资源管理器的情况，会被解释成qsub -N选项，使用qstat命令时可以看到这个作业名。

-l wall-clock-time
用户希望在分配的集群作业的时间总量。它被传递给HOD底层的资源管理器，用于更有效地调度和利用集群。注意对于Torque的情形，这个时间到期后，集群会在被自动回收。

-j java-home
JAVA_HOME环境变量里指定的路径。在script操作中使用。HOD将JAVA_HOME环境变量设置为这个值，并在此环境下启动用户脚本。

-A account-string
传递给后台资源管理器的核计信息。

-Q queue-name
接受作业提交的后台资源管理器中队列的名称。

-Mkey1=value1 -Mkey2=value2
为供应的Map/Reduce守护进程（JobTracker以及TaskTracker）提供配置参数。在集群节点上，会根据这些值产生一个hadoop-site.xml。
注意：值中的下列字符：空格，逗号，等号，分号需要使用‘\’转义，且放置在引号中。你也可以使用‘\’来转义‘\’。

-Hkey1=value1 -Hkey2=value2
为供应的HDFS守护进程（NameNode以及DataNode）提供配置参数。在集群节点上，会根据这些值产生一个hadoop-site.xml。
注意：值中的下列字符：空格，逗号，等号，分号需要使用‘\’转义，且放置在引号中。你也可以使用‘\’来转义‘\’。

-Ckey1=value1 -Ckey2=value2
为提交作业的客户端提供配置参数。在提交节点上，会根据这些值产生一个hadoop-site.xml。
注意：参数值可以使用以下符号：空格，逗号，等号，需要‘\’做转义符的分号，上述符号要用引号进行分割。你也可以使用‘\’转义‘\’。

--section-name.option-name=value
这是用长格式提供配置选项的方法。比如，你可以--hod.script-wait-time=20

故障排除

下节列出了一些用户使用HOD时可能碰到的多发错误的条件以及解决问题的方法

分配操作时hod挂起

可能原因：HOD或Hadoop的一个组件启动失败。这种情况下，hod命令会在一段时间（通常是2-3分钟）后返回，退出码是错误代码部分定义的错误码7或8。参考该部分以获得更多细节。

可能原因：使用tarball模式申请了大规模的集群。有时由于网络负载，或者是分配节点上的负载，tarball分发过程可能会慢的比较明显，需要几分钟才能响应。等待命令完成。还可以检查一下tarball，看是否不含Hadoop源码或文档。

可能原因：Torque相关的问题。如果原因与Torque相关，hod命令5分钟内是不会返回的。在调试模式下运行hod你会发现qstat命令被重复执行。在另一个shell中执行qstat命令你会发现作业处于Q（排队）状态。这通常说明Torque出现了问题。可能原因有个别节点宕机，或者增加了新节点但Torque不知。通常，需要系统管理员帮助解决此问题。

回收操作时hod挂起

可能原因：Torque相关的问题，通常是Torque server上的负载较大，或者是分配的集群非常大。一般来说，你唯一能做的是等待命令执行完成。

hod失败时的错误代码和错误信息

如果hod命令的退出码不是0，参考下面的退出代码表确定此情况发生的原因和相应的调试方法。

错误代码

错误代码	含义	可能原因及补救方法
1	配置错误	hodrc中的参数错误，或者其他与HOD配置相关的错误。此类情况下，错误信息已经足够帮你发现和解决问题。
2	无效操作	执行hod help查看有效的操作列表。
3	无效操作参数	执行hod help operation查看特定操作的用法。
4	调度失败	1. 请求分配了过多的资源。执行checknodes cluster_name查看是否有足够多的可用节点。 2. 请求的资源超出了资源管理器的限制。 3. Torque配置错误，Torque可执行文件路径配置错误，或者其它Torque相关问题。联系系统管理员。
5	执行作业失败	1. Torque作业被外部删除。执行Torque qstat命令查看是否有作业处于R（运行）状态。如果没有，尝试重新运行HOD。 2. Torque的问题诸如服务器暂时性宕机，或者无响应。联系系统管理员。 3. 系统管理员可能配置了帐号核实，并且一个非法的帐号被指定。请联系系统管理员。
6	Ringmaster故障	HOD会打印信息"Cluster could not be allocated because of the following errors on the ringmaster host <hostname>"。实际的错误信息可能指示下列情形中的一种： 1. 运行ringmaster的节点配置不合法，错误信息中的hostname会指明具体的机器。 2. ringmaster段的配置无效， 3. gridservice-mapred或者gridservice-hdfs段中pkgs项的配置无效， 4. 无效的hadoop tarball，或者tarball中conf目录下存在无效的配置文件， 5. Hadoop中的MapReduce与外部HDFS版本不匹配。 Torque qstat命令很可能会显示一个出于C(Completed，已完成)状态的作业。你可以登录到HOD失败信息中给出的ringmaster主机，根据错误信息的提示解决问题。如果错误信息没有给出完整的信息，ringmaster日志也可能帮助找到问题的根源。参考下面定位Ringmaster日志一节了解更多信息。
7	DFS故障	当HOD由于DFS故障（或者Job tracker失败，错误码8，下文有介绍）分配失败时，它会打印错误信息 "Hodring at <hostname> failed with following errors:"，并给出真正的错误信息，这个信息可能表明下列情形中的一种： 1. 启动Hadoop集群时出现问题。通常错误信息会表明之前提到的主机出现错误的真正原因。你也要检查HOD配置中文件中Hadoop相关的配置。按上面收集和查看Hadoop日志一节中介绍的方法查看Hadoop的日志。 2. 运行hodring的节点上的配置无效，错误信息中的hostname会指明机器 3. hodrc中hodring段的配置无效。ssh到错误信息中提到的节点，在hdring日志中grepERROR或CRITICAL。参考下面定位Hodring日志部分获取更多信息。 4. 指定了无效的tarball，可能未正确打包。 5. 无法与外部配置的HDFS通信。当DFS或Job tracker出现故障时，你可以登录到HOD失败信息中提到的主机上，进行debug。解决问题的时候，你也应通过查看ringmaster日志中的其它日志信息，来检查其他机器是否在启动jobtracker/namenode时也出现了问题，而不只是检查错误信息中提到的主机。其他机器也可能发生问题是因为HOD会按照配置项ringmaster.max-master-failures的设置在多个机器上连续尝试和启动hadoop守护进程。更多关于ringmaster日志的信息请参考下文定位Ringmaster日志。
8	Job tracker故障	与DFS故障情形中的原因类似。
10	集群死亡	1. 集群因为较长时间空闲被自动回收。 2. 集群因系统管理员或者用户指定的时钟时间到期被自动回收。 3. 无法与成功分配的JobTracker以及HDFS的NameNode通信。回收集群，重新分配。
12	集群已分配	指定的集群目录是已被用于先前的分配操作,且尚未回收。指定另外一个目录，或者先回收先前分配的。
13	HDFS死亡	无法与HDFS的NameNode通信。HDFS的NameNode停掉了。
14	Mapred死亡	1. 集群因为长时间闲置被自动回收。 2. 集群因系统管理员或用户指定的时钟时间到期被自动回收。 3. 无法与Map/Reduce的JobTracker通信。JobTracker节点宕机。
15	集群未分配	一个需要已分配集群的操作被指以一个没有状态信息的集群目录。
任意非0退出代码	HOD脚本错误	如果使用了hod的脚本选项，很可能这个退出代码是脚本的退出吗。不幸的是，这可能会与hod自己的退出码冲突。为帮助用户区分两者，如果脚本返回了一个退出码，hod将此退出码写到了集群目录下的script.exitcode文件。你可以cat这个文件以确定脚本的退出码。如果文件不存在，则退出代码是hod命令的退出码。

Hadoop DFSClient警告NotReplicatedYetException信息

有时，当你申请到一个HOD集群后马上尝试上传文件到HDFS时，DFSClient会警告NotReplicatedYetException。通常会有一个这样的信息 -

WARN hdfs.DFSClient: NotReplicatedYetException sleeping <filename> retries left 3

08/01/25 16:31:40 INFO hdfs.DFSClient: org.apache.hadoop.ipc.RemoteException: java.io.IOException: File <filename> could only be replicated to 0 nodes, instead of 1

当你向一个DataNodes正在和NameNode联络的集群上传文件的时候，这种现象就会发生。在上传新文件到HDFS之前多等待一段时间就可以解决这个问题，因为这使得足够多的DataNode启动并且联络上了NameNode。

成功分配的集群上无法运行Hadoop作业

这一情景通常发生在这种情形：一个集群已经分配，并且一段时间内处于不活跃状态，之后hadoop作业试图在这个集群上运行。Hadoop作业会失败，产生如下异常信息：

08/01/25 16:31:40 INFO ipc.Client: Retrying connect to server: foo.bar.com/1.1.1.1:53567. Already tried 1 time(s).

可能原因：相当长的时间内无hadoop作业运行，集群会如闲置集群的自动回收一节介绍的那样被自动回收。回收该集群，然后重新分配。

可能原因：从分配开始算起，Torque管理员指定的或指定额外的作业属性一节中定义的-l选项指定的时间上限过期。这种情况下集群可能已被释放。回收集群，然后重新分配。

可能原因：提交作业使用的hadoop版本和供应集群的Hadoop版本（通常通过tarball选项）不匹配。确保使用的兼容的版本。

可能原因： 提交job的hadoop客户端与提供的hadoop(通常通过tarball选项)版本不兼容。确保所使用hadoop软件版本兼容。

可能原因： 你使用了-M or -H中的一个指定Hadoop配置，其中有未正确转义的字符比如空格或逗号。参考HOD配置选项一节以了解如何正确指定这些选项。

我的Hadoop作业被中止了

可能原因：从分配开始算起，Torque管理员指定的或指定额外的作业属性一节中定义的-l选项指定的时间上限过期。这种情况下集群可能已被释放。回收集群，然后重新分配，这次要制定一个大点儿的时钟时间。

可能原因： JobTracker节点出现问题。参考收集和查看Hadoop日志一节以获取更多信息。

Hadoop作业失败并返回消息：‘Job tracker still initializing’

可能原因：hadoop作业是作为HOD脚本的一部分运行的，它在JobTracker完全就绪前开始了执行。分配集群时为配置选--hod.script-wait-time设定一个大点儿的值。通常取120是可以工作的，尽管通常没必要这么大。

Torque的退出代码没有包含HOD的

可能原因：此功能需要Hadoop 0.16。所用的Hadoop版本不满足这个条件。请使用合适的Hadoop版本。

可能原因：没有使用hod命令回收集群；例如直接使用qdel。当使用这种方式回收集群时，HOD进程被信号中止。这会导致退出码是基于signal number的，而不是程序的退出码。

Hadoop日志未被上传到DFS

可能原因：上传日志的使用的hadoop与外部的HDFS版本不兼容。确保hodring.pkgs选项指定了正确的版本。

定位Ringmaster日志

遵循以下步骤定位ringmaster日志：

用-b选项在调试模式执行hod。这会打印出当前运行的Torque作业的标识。
执行qstat -f torque_job_id，在输出中查找exec_host参数的值。列表中的第一个主机就是ringmaster节点。
登陆该节点。
ringmaster日志的位置由hodrc中的ringmaster.log-dir项指定。日志文件的名字会是username.torque_job_id/ringmaster-main.log。
如果你没有获取到足够的信息，你可以将ringmaster的调试级别设为4。这可通过向hod命令行传递--ringmaster.debug 4做到。

定位Hodring日志

遵循以下步骤定位hodring日志：

用-b选项在调试模式下运行hod。这将打印当前运行的Torque作业的标识。
执行qstat -f torque_job_id，查看输出中exec_host参数的值。列表中的的所有节点上都有一个hodring。
登陆到任何一个节点。
hodring日志的位置由hodrc中的hodring.log-dir项指定。日志文件的名字会是username.torque_job_id/hodring-main.log。
如果你没有获得足够的信息，你或许想将hodring的调试等级更改为4。这可以向hod命令行传递--hodring.debug 4 来做到。