Risolvere i problemi relativi a Dataflow

Se riscontri problemi con la pipeline o il job di Dataflow, in questa pagina sono elencati i messaggi di errore che potresti visualizzare e vengono forniti suggerimenti su come correggere ogni errore.

Errori nei tipi di log dataflow.googleapis.com/worker-startup, dataflow.googleapis.com/harness-startup e dataflow.googleapis.com/kubelet indicano problemi di configurazione di un job. Possono anche indicare condizioni che impediscono il funzionamento del normale percorso di logging.

La pipeline potrebbe generare eccezioni durante l'elaborazione dei dati. Alcuni di questi errori sono temporanei, ad esempio quando si verificano difficoltà temporanee di accesso a un servizio esterno. Alcuni di questi errori sono permanenti, ad esempio quelli causati da dati di input corrotti o non decodificabili o da puntatori null durante il calcolo.

Dataflow elabora gli elementi in bundle arbitrari e riprova pacchetto completo quando viene generato un errore per un qualsiasi elemento del bundle. Quando viene eseguito in modalità batch, i bundle che includono un elemento con errori vengono riprovati quattro volte. La pipeline non va a buon fine quando un singolo bundle non va a buon fine quattro volte. Quando in esecuzione in modalità flusso di dati, viene ritentato un bundle che include un elemento con errori a tempo indeterminato, il che potrebbe causare il blocco permanente della pipeline.

Le eccezioni nel codice utente, ad esempio le istanze DoFn, vengono segnalate nell'interfaccia di monitoraggio di Dataflow. Se esegui la pipeline con BlockingDataflowPipelineRunner, puoi anche vedere messaggi di errore stampati nella console o nella finestra del terminale.

Valuta la possibilità di proteggerti dagli errori nel codice aggiungendo gestori delle eccezioni. Ad esempio, se vuoi eliminare gli elementi che non superano una convalida degli input personalizzati eseguita in un ParDo, utilizza un blocco try/catch all'interno del ParDo per gestire l'eccezione, registrare e eliminare l'elemento. Per i carichi di lavoro di produzione, implementa un pattern di messaggio non elaborato. Per monitorare il conteggio degli errori, utilizza le trasformazioni di aggregazione.

File di log mancanti

Se non vedi alcun log per i tuoi job, rimuovi gli eventuali filtri di esclusione contenenti resource.type="dataflow_step" da tutto il router dei log di Cloud Logging lavandini.

Vai a Router dei log

Per ulteriori dettagli sulla rimozione delle esclusioni dei log, consulta la guida Rimuovere le esclusioni.

Duplicati nell'output

Quando esegui un job Dataflow, l'output contiene duplicati record.

Questo problema può verificarsi quando il job Dataflow utilizza la modalità di streaming della pipeline almeno una volta. Questa modalità garantisce che i record vengano elaborati almeno una volta. Tuttavia, in questa modalità sono possibili record duplicati.

Se il flusso di lavoro non è in grado di tollerare record duplicati, utilizza il metodo "exactly-once" modalità flusso di dati. In questa modalità, Dataflow garantisce che i record non vengano eliminati o duplicati mentre i dati si spostano attraverso la pipeline.

Per verificare quale modalità di streaming è in uso per il job, consulta Visualizzare la modalità di streaming di un job.

Per ulteriori informazioni sulle modalità flusso di dati, vedi Imposta la modalità flusso di dati della pipeline.

Errori della pipeline

Le sezioni seguenti contengono errori comuni della pipeline che potresti riscontrare e i passaggi per risolverli o per risolvere gli errori.

Alcune API Cloud devono essere abilitate

Quando provi a eseguire un job Dataflow, si verifica il seguente errore:

Some Cloud APIs need to be enabled for your project in order for Cloud Dataflow to run this job.

Questo problema si verifica perché alcune API richieste non sono abilitate nel progetto.

Per risolvere il problema ed eseguire un job Dataflow, abilita le seguenti API Google Cloud nel tuo progetto:

  • API Compute Engine (Compute Engine)
  • API Cloud Logging
  • Cloud Storage
  • API Cloud Storage JSON
  • API BigQuery
  • Pub/Sub
  • API Datastore

Per istruzioni dettagliate, consulta la sezione Inizia a utilizzare relativa all'abilitazione delle API Google Cloud.

"@*" e "@N" sono specifiche di sharding riservate

Quando provi a eseguire un job, nei file di log viene visualizzato il seguente errore e il job non va a buon fine:

Workflow failed. Causes: "@*" and "@N" are reserved sharding specs. Filepattern must not contain any of them.

Questo errore si verifica se il nome del file del percorso Cloud Storage per file temporanei (tempLocation o temp_location) seguiti da una chiocciola (@) da un numero o da un asterisco (*).

Per risolvere il problema, modifica il nome del file in modo che venga seguito il simbolo @ da un carattere supportato.

Richiesta errata

Quando esegui un job Dataflow, i log di Monitoraggio di Cloud mostrano una serie di avvisi simili ai seguenti:

Unable to update setup work item STEP_ID error: generic::invalid_argument: Http(400) Bad Request
Update range task returned 'invalid argument'. Assuming lost lease for work with id LEASE_ID
with expiration time: TIMESTAMP, now: TIMESTAMP. Full status: generic::invalid_argument: Http(400) Bad Request

Gli avvisi relativi a richieste non valide si verificano se le informazioni sullo stato del lavoratore non sono aggiornate o non sono sincronizzate a causa di ritardi nell'elaborazione. Spesso il job Dataflow riesce nonostante gli avvisi di richieste non valide. In questo caso, ignora gli avvisi.

Impossibile leggere e scrivere in posizioni diverse

Quando esegui un job Dataflow, potresti visualizzare il seguente errore in i file di log:

message:Cannot read and write in different locations: source: SOURCE_REGION, destination: DESTINATION_REGION,reason:invalid

Questo errore si verifica quando l'origine e la destinazione si trovano in regioni diverse. Può verificarsi anche quando la posizione di staging e la destinazione si trovano in regioni diverse. Ad esempio, se il job legge da Pub/Sub e poi scrive in una Cloud Storage temp prima di scrivere in una tabella BigQuery, Il bucket Cloud Storage temp e la tabella BigQuery devono essere in nella stessa regione.

Le località a più regioni sono considerate diverse da quelle a singola regione, anche se la singola regione rientra nell'ambito della località a più regioni. Ad esempio, us (multiple regions in the United States) e us-central1 sono regioni diverse.

Per risolvere il problema, assicurati che le posizioni di destinazione, di origine e di staging si trovino nella stessa regione. Le posizioni dei bucket Cloud Storage non possono essere modificate, pertanto potrebbe essere necessario creare un nuovo bucket Cloud Storage nella regione corretta.

Timeout della connessione

Quando esegui un job Dataflow, potresti visualizzare il seguente errore nei file di log:

org.springframework.web.client.ResourceAccessException: I/O error on GET request for CONNECTION_PATH: Connection timed out (Connection timed out); nested exception is java.net.ConnectException: Connection timed out (Connection timed out)

Questo problema si verifica quando i worker Dataflow non riescono a stabilire o mantenere una connessione con l'origine dati o la destinazione.

Per risolvere il problema, segui questi passaggi:

  • Verifica che l'origine dati sia in esecuzione.
  • Verifica che la destinazione sia in esecuzione.
  • Esamina i parametri di connessione. utilizzata nella configurazione della pipeline Dataflow.
  • Verifica che i problemi di prestazioni non influiscano sull'origine o sulla destinazione.
  • Assicurati che le regole del firewall non blocchino la connessione.

Nessun oggetto di questo tipo

Quando esegui i job Dataflow, potresti visualizzare il seguente errore in i file di log:

..., 'server': 'UploadServer', 'status': '404'}>, <content <No such object:...

Questi errori in genere si verificano quando alcuni dei job Dataflow in esecuzione utilizza lo stesso temp_location per lo stage dei file di job temporanei creati durante delle esecuzioni della pipeline. Quando più job simultanei condividono lo stesso temp_location, questi job potrebbero sovrascrivere i dati temporanei l'uno dell'altro e potrebbe verificarsi una condizione di gara. Per evitare questo problema, ti consigliamo di utilizzare un temp_location unico per ogni job.

Dataflow non è in grado di determinare il backlog

Quando esegui una pipeline in streaming da Pub/Sub, viene visualizzato il seguente avviso:

Dataflow is unable to determine the backlog for Pub/Sub subscription

Quando una pipeline Dataflow estrae dati da Pub/Sub, Dataflow deve richiedere ripetutamente informazioni a Pub/Sub. Queste informazioni includono la quantità di arretrati dell'abbonamento e la data del messaggio non confermato più vecchio. A volte, Dataflow non è in grado di recuperare queste informazioni da Pub/Sub a causa di problemi interni del sistema, che possono causare un accumulo transitorio del backlog.

Per ulteriori informazioni, consulta Streaming con Cloud Pub/Sub.

DEADLINE_EXCEEDED o il server non risponde

Quando esegui i job, potresti riscontrare eccezioni di timeout RPC o uno dei i seguenti errori:

DEADLINE_EXCEEDED

Oppure:

Server Unresponsive

Questi errori si verificano in genere per uno dei seguenti motivi:

  • Nella rete Virtual Private Cloud (VPC) utilizzata per il tuo job potrebbe mancare una regola firewall. La regola firewall deve attivare tutto il traffico TCP tra le VM nella rete VPC specificata nelle opzioni della pipeline. Per ulteriori informazioni, consulta Regole firewall per Dataflow.

    In alcuni casi, i lavoratori non sono in grado di comunicare tra loro. Quando esegui un job Dataflow che non utilizza Dataflow Shuffle o Streaming Engine, i worker devono comunicare tra loro tramite le porte TCP 12345 e 12346 all'interno della rete VPC. In questo scenario, l'errore include il nome del cablaggio worker e la porta TCP che viene bloccato. L'errore è simile a uno dei seguenti esempi:

    DEADLINE_EXCEEDED: (g)RPC timed out when SOURCE_WORKER_HARNESS
talking to DESTINATION_WORKER_HARNESS:12346.

    Rpc to WORKER_HARNESS:12345 completed with error UNAVAILABLE: failed to connect to all addresses
Server unresponsive (ping error: Deadline Exceeded, UNKNOWN: Deadline Exceeded...)

    Per risolvere il problema, utilizza il flag gcloud compute firewall-rules create rules per consentire il traffico di rete alle porte 12345 e 12346. Nell'esempio che segue illustra il comando Google Cloud CLI:

    gcloud compute firewall-rules create FIREWALL_RULE_NAME \
  --network NETWORK \
  --action allow \
  --direction IN \
  --target-tags dataflow \
  --source-tags dataflow \
  --priority 0 \
  --rules tcp:12345-12346

    Sostituisci quanto segue:

    • FIREWALL_RULE_NAME: il nome della regola firewall
    • NETWORK: il nome della tua rete

  • Il job è associato allo shuffling.

    Per risolvere il problema, apporta una o più delle seguenti modifiche.

    Java

    • Se il job non utilizza lo shuffle basato su servizi, passa all'utilizzo Dataflow Shuffle basato su servizi per impostazione --experiments=shuffle_mode=service. Per dettagli e disponibilità, consulta Dataflow Shuffle.
    • Aggiungi altri lavoratori. Prova a impostare --numWorkers con un valore più alto quando esegui la pipeline.
    • Aumenta le dimensioni del disco collegato per i worker. Prova a impostare --diskSizeGb con un valore più alto quando esegui la pipeline.
    • Utilizza un disco permanente supportato da SSD. Prova a impostare --workerDiskType="compute.googleapis.com/projects/PROJECT_ID/zones/ZONE/diskTypes/pd-ssd" quando esegui la pipeline.

    Python

    • Se il job non utilizza lo shuffle basato su servizi, passa all'utilizzo Dataflow Shuffle basato su servizi per impostazione --experiments=shuffle_mode=service. Per dettagli e disponibilità, vedi Dataflow Shuffle.
    • Aggiungi altri lavoratori. Prova a impostare --num_workers con un quando esegui la pipeline.
    • Aumenta le dimensioni del disco collegato per i worker. Prova a impostare --disk_size_gb con un valore più alto quando esegui la pipeline.
    • Utilizza un disco permanente basato su SSD. Prova a impostare --worker_disk_type="compute.googleapis.com/projects/PROJECT_ID/zones/ZONE/diskTypes/pd-ssd" quando esegui la pipeline.

    Vai

    • Se il job non utilizza lo shuffle basato su servizi, passa all'utilizzo Dataflow Shuffle basato su servizi per impostazione --experiments=shuffle_mode=service. Per dettagli e disponibilità, vedi Dataflow Shuffle.
    • Aggiungi altri worker. Prova a impostare --num_workers con un valore più alto quando esegui la pipeline.
    • Aumenta le dimensioni del disco collegato per i worker. Prova a impostare --disk_size_gb con un valore più alto quando esegui la pipeline.
    • Utilizza un disco permanente supportato da SSD. Prova a impostare --disk_type="compute.googleapis.com/projects/PROJECT_ID/zones/ZONE/diskTypes/pd-ssd" quando esegui la pipeline.

Errori di codifica, IOEccezioni o comportamenti imprevisti nel codice utente

Gli SDK Apache Beam e i worker Dataflow dipendono componenti di terze parti. Questi componenti importano dipendenze aggiuntive. Versione le collisioni possono causare un comportamento imprevisto nel servizio. Inoltre, alcune librerie non sono compatibili con l'inoltro. Potresti dover bloccare le versioni elencate che rientrano nell'ambito durante l'esecuzione. Dipendenze di SDK e nodi worker contiene un elenco di dipendenze e delle relative versioni richieste.

Errore durante l'esecuzione di LookupEffectiveGuestPolicies

Quando esegui un job Dataflow, potresti visualizzare il seguente errore nei file di log:

OSConfigAgent Error policies.go:49: Error running LookupEffectiveGuestPolicies:
error calling LookupEffectiveGuestPolicies: code: "Unauthenticated",
message: "Request is missing required authentication credential.
Expected OAuth 2 access token, login cookie or other valid authentication credential.

Questo errore si verifica se OS Configuration Management è abilitato per l'intero progetto.

Per risolvere questo problema, disabilita VM Manager e i criteri applicabili all'intero progetto. Se non è possibile disattivare le norme di VM Manager per l'intero progetto, puoi ignorare tranquillamente questo errore e filtrarlo dagli strumenti di monitoraggio dei log.

Pool di risorse esaurito

Quando crei una risorsa Google Cloud, potresti visualizzare il seguente errore per un pool di risorse esaurito:

ERROR: ZONE_RESOURCE_POOL_EXHAUSTED

Questo errore si verifica per condizioni temporanee di esaurimento scorte per una risorsa specifica in di una zona specifica.

Per risolvere il problema, puoi attendere o creare il la stessa risorsa in un'altra zona. Come best practice, ti consigliamo di a distribuire le risorse più zone e regioni per tollerare le interruzioni del servizio.

Java Runtime Environment ha rilevato un errore irreversibile

Durante l'avvio del worker si verifica il seguente errore:

A fatal error has been detected by the Java Runtime Environment

Questo errore si verifica se la pipeline utilizza Java Native Interface (JNI) per l'esecuzione il codice non Java e questo codice o le associazioni JNI contengono un errore.

Errore della chiave dell'attributo googclient_deliveryattempt

Il job Dataflow non va a buon fine con uno dei seguenti errori:

The request contains an attribute key that is not valid (key=googclient_deliveryattempt). Attribute keys must be non-empty and must not begin with 'goog' (case-insensitive).

In alternativa:

Invalid extensions name: googclient_deliveryattempt

Questo errore si verifica quando il job Dataflow ha quanto segue caratteristiche:

Questo errore si verifica perché quando utilizzi la libreria client Java o C# di Pub/Sub e un argomento per la posta in arrivo per un abbonamento è abilitato, i tentativi di recapito si trovano nell'attributo messaggio googclient_deliveryattempt anziché nel campo delivery_attempt. Per maggiori informazioni, consulta la sezione Monitorare i tentativi di recapito nella pagina "Gestire gli errori di recapito dei messaggi".

Per evitare questo problema, apporta una o più delle seguenti modifiche.

È stato rilevato un tasto di scelta rapida ...

Si verifica il seguente errore:

A hot key HOT_KEY_NAME was detected in...

Questi errori si verificano se i dati contengono una hot key. Una hot key è una chiave con elementi sufficienti per influire negativamente sul rendimento della pipeline. Limite di queste chiavi la capacità di Dataflow di elaborare elementi in parallelo, aumenta il tempo di esecuzione.

Per stampare la chiave leggibile quando viene rilevata una hot key nella pipeline, utilizza l'opzione della pipeline per le hot key.

Per risolvere il problema, verifica che i dati siano distribuiti in modo uniforme. Se una chiave ha molti valori sono sproporzionati, prendi in considerazione le seguenti azioni:

Per visualizzare i tasti di scelta rapida nell'interfaccia di monitoraggio di Dataflow, consulta Risolvere i problemi relativi ai job in ritardo nei job batch.

Specifica della tabella non valida in Data Catalog

Quando utilizzi Dataflow SQL per creare job Dataflow SQL, il job potrebbe non riuscire con il seguente errore nei file di log:

Invalid table specification in Data Catalog: Could not resolve table in Data Catalog

Questo errore si verifica se l'account di servizio Dataflow non ha accesso all'API Data Catalog.

Per risolvere il problema, abilita l'API Data Catalog nel progetto Google Cloud che utilizzi per scrivere ed eseguire query.

In alternativa, assegna il ruolo roles/datacatalog.viewer all'account di servizio Dataflow.

Il grafico del job è troppo grande

Il job potrebbe non riuscire con il seguente errore:

The job graph is too large. Please try again with a smaller job graph,
or split your job into two or more smaller jobs.

Questo errore si verifica se le dimensioni del grafico del job superano 10 MB. Determinate condizioni nella pipeline possono causare il superamento del limite del grafo dei job. Comuni le condizioni includono:

  • Una trasformazione Create che include una grande quantità di dati in memoria.
  • Un'istanza DoFn di grandi dimensioni serializzata per la trasmissione ai lavoratori da remoto.
  • Un DoFn come istanza anonima della classe interna che (probabilmente inavvertitamente) estrae una grande quantità di dati da serializzare.
  • Un grafo diretto aciclico (DAG) viene utilizzato come parte di un loop di pubblicità programmatica che enumera un elenco lungo.

Per evitare queste condizioni, ti consigliamo di ristrutturare la pipeline.

Commit chiave troppo grande

Quando esegui un job di streaming, nei file log del worker viene visualizzato il seguente errore:

KeyCommitTooLargeException

Questo errore si verifica negli scenari di streaming se viene raggruppata una quantità molto grande di dati senza utilizzare una trasformazione Combine o se viene prodotta una grande quantità di dati da un singolo elemento di input.

Per ridurre le possibilità di riscontrare questo errore, utilizza quanto segue: strategie:

  • Assicurati che l'elaborazione di un singolo elemento non possa comportare output o modifiche dello stato che superano il limite.
  • Se più elementi sono stati raggruppati in base a una chiave, valuta la possibilità di aumentare la chiave per ridurre gli elementi raggruppati per chiave.
  • Se gli elementi per una chiave vengono emessi ad alta frequenza in un breve periodo di tempo, potrebbero generarsi molti GB di eventi per quella chiave nelle finestre. Riscrivere la pipeline per rilevare chiavi come questa ed emettere solo un output che indichi che la chiave era presente di frequente in quella finestra.
  • Utilizza le trasformazioni Combine dello spazio sublineare per le operazioni associative e commutative. Non utilizzare un combinatore se non riduce lo spazio. Per Ad esempio, il combinatore per le stringhe che si limita a unire le stringhe è peggiore rispetto a non utilizzare il combinatore.

Rifiuto dei messaggi di dimensioni superiori a 7168.000

Quando esegui un job Dataflow creato da un modello, il job potrebbe non riuscire con il seguente errore:

Error: CommitWork failed: status: APPLICATION_ERROR(3): Pubsub publish requests are limited to 10MB, rejecting message over 7168K (size MESSAGE_SIZE) to avoid exceeding limit with byte64 request encoding.

Questo errore si verifica quando i messaggi scritti in una coda di messaggi inutilizzati superano il limite di dimensione di 7168 K. Come soluzione alternativa, attiva Streaming Engine, che ha un limite di dimensioni più elevato. Per attivare Streaming Engine, utilizza la seguente opzione di pipeline.

Java

--enableStreamingEngine=true

Python

--enable_streaming_engine=true

Request Entity Too Large (Dimensioni dell'entità richiesta eccessive)

Quando invii il job, nella console o nella finestra del terminale viene visualizzato uno dei seguenti errori:

413 Request Entity Too Large
The size of serialized JSON representation of the pipeline exceeds the allowable limit
Failed to create a workflow job: Invalid JSON payload received
Failed to create a workflow job: Request payload exceeds the allowable limit

Quando si verifica un errore relativo al payload JSON durante l'invio del job, la rappresentazione JSON della pipeline supera la dimensione massima della richiesta di 20 MB.

La dimensione del job è legata alla rappresentazione JSON del una pipeline o un blocco note personalizzato. Una pipeline più grande significa una richiesta più grande. Dataflow ha una limitazione che impone un limite di 20 MB per le richieste.

Per stimare le dimensioni della richiesta JSON della pipeline, eseguila con la seguente opzione:

Java

--dataflowJobFile=PATH_TO_OUTPUT_FILE

Python

--dataflow_job_file=PATH_TO_OUTPUT_FILE

Vai

L'output del job come JSON non è supportato in Go.

Questo comando scrive una rappresentazione JSON del job in un file. Le dimensioni il file serializzato è una stima accurata delle dimensioni della richiesta. Le dimensioni effettive è leggermente più grande a causa di alcune informazioni aggiuntive incluse nella richiesta.

Determinate condizioni nella pipeline possono causare il superamento della rappresentazione JSON il limite. Le condizioni comuni includono:

  • Una trasformazione Create che include una grande quantità di dati in memoria.
  • Un'istanza DoFn di grandi dimensioni serializzata per la trasmissione ai lavoratori da remoto.
  • Un DoFn come istanza di classe interna anonima che (eventualmente inavvertitamente) carica una grande quantità di dati da serializzare.

Per evitare queste condizioni, valuta la possibilità di ristrutturare la pipeline.

Le opzioni della pipeline dell'SDK o l'elenco dei file temporanei superano il limite di dimensioni

Quando esegui una pipeline, si verifica uno dei seguenti errori:

SDK pipeline options or staging file list exceeds size limit.
Please keep their length under 256K Bytes each and 512K Bytes in total.

Oppure:

Value for field 'resource.properties.metadata' is too large: maximum size

Questi errori si verificano se non è stato possibile avviare la pipeline a causa di Superamento dei limiti di metadati di Compute Engine. Questi limiti non possono essere modificati. Dataflow utilizza i metadati di Compute Engine per le opzioni di pipeline. Il limite è documentato nelle limitazioni dei metadati personalizzati di Compute Engine.

I seguenti scenari possono causare il superamento del limite della rappresentazione JSON:

  • Esistono troppi file JAR da eseguire in anteprima.
  • Il campo della richiesta sdkPipelineOptions è troppo grande.

Per stimare le dimensioni della richiesta JSON della pipeline, eseguila con la seguente opzione:

Java

--dataflowJobFile=PATH_TO_OUTPUT_FILE

Python

--dataflow_job_file=PATH_TO_OUTPUT_FILE

Vai

L'output del job come JSON non è supportato in Go.

Le dimensioni del file di output di questo comando devono essere inferiori a 256 KB. I 512 KB nel messaggio di errore si riferiscono alle dimensioni totali del file di output e alle opzioni di metadati personalizzati per l'istanza VM Compute Engine.

Puoi ottenere una stima approssimativa dell'opzione di metadati personalizzati per un'istanza VM da dei job Dataflow nel progetto. Scegli qualsiasi tipo di corsa del job Dataflow. Prendi un'istanza VM e poi vai al pagina dei dettagli dell'istanza VM di Compute Engine per quella VM, in modo da verificare la presenza metadati. La lunghezza totale dei metadati personalizzati e del file deve essere inferiore a 512 KB. Non è possibile una stima accurata del job non riuscito, poiché le VM non vengono avviate per i job non riusciti.

Se l'elenco JAR sta raggiungendo il limite di 256 KB, rivedilo e riduci eventuali file JAR non necessari. Se è ancora troppo grande, prova a eseguire il comando Job Dataflow utilizzando un'uber JAR. Per un esempio che illustra come creare e utilizzare il JAR uber, consulta Creare e implementare un JAR uber.

Se il campo della richiesta sdkPipelineOptions è troppo grande, includi la seguente opzione quando esegui la pipeline. L'opzione della pipeline è la stessa per Java, Python e Go.

--experiments=no_display_data_on_gce_metadata

Chiave di riproduzione casuale troppo grande

Nei file di log del worker viene visualizzato il seguente errore:

Shuffle key too large

Questo errore si verifica se la chiave serializzata emessa a un determinato (Co-)GroupByKey è troppo grande dopo l'applicazione del coder corrispondente. Dataflow: ha un limite per le chiavi di shuffling serializzate.

Per risolvere il problema, riduci le dimensioni delle chiavi o utilizza codificatori più efficienti in termini di spazio.

Per ulteriori informazioni, consulta i limiti di produzione per Dataflow.

Il numero totale di oggetti BoundedSource ... è superiore al limite consentito

Durante l'esecuzione di job con Java potrebbe verificarsi uno dei seguenti errori:

Total number of BoundedSource objects generated by splitIntoBundles() operation is larger than the allowable limit

In alternativa:

Total size of the BoundedSource objects generated by splitIntoBundles() operation is larger than the allowable limit

Java

Questo errore può verificarsi se leggi da un numero molto elevato di file utilizzando TextIO, AvroIO, BigQueryIO tramite EXPORT o altri formati basati su file sorgente. Il limite specifico dipende dai dettagli dell'origine, ma è nell'ordine di decine di migliaia di file in una pipeline. Ad esempio, l'inserimento dello schema in AvroIO.Read consente un numero inferiore di file.

Questo errore può verificarsi anche se hai creato un'origine dati personalizzata per la pipeline e il metodo splitIntoBundles dell'origine ha restituito un elenco di oggetti BoundedSource che occupa più di 20 MB quando viene serializzato.

Il limite consentito per le dimensioni totali degli oggetti BoundedSource generati dall'operazione splitIntoBundles() dell'origine personalizzata è di 20 MB.

Per ovviare a questo limite, apporta una delle seguenti modifiche:

  1. Attiva Runner V2. Runner v2 converte le origini in DoFns suddivisibili che non hanno questo limite di suddivisione dell'origine.

  2. Modifica la sottoclasse BoundedSource personalizzata in modo che la dimensione totale il numero di oggetti BoundedSource generati è inferiore al limite di 20 MB. Per Ad esempio, l'origine potrebbe inizialmente generare meno suddivisioni e fare affidamento Ribilanciamento dinamico del lavoro per suddividere ulteriormente gli input on demand.

NameError

Quando esegui la pipeline utilizzando il servizio Dataflow, si verifica il seguente errore:

NameError

Questo errore non si verifica quando esegui il codice localmente, ad esempio quando lo esegui utilizzando DirectRunner.

Questo errore si verifica se i tuoi DoFn utilizzano valori nello spazio dei nomi globale che non sono disponibili sul worker Dataflow.

Per impostazione predefinita, le importazioni, le funzioni e le variabili globali definite nella sessione principale non vengono salvate durante la serializzazione di un job Dataflow.

Per risolvere il problema, utilizza uno dei seguenti metodi. Se i tuoi DoFn sono definiti nel file principale e fa riferimento alle importazioni e alle funzioni nella imposta l'opzione pipeline --save_main_session su True. Questa modifica sottrae lo stato dello spazio dei nomi globale e lo carica Worker Dataflow.

Se nello spazio dei nomi globale sono presenti oggetti che non possono essere deprecati, viene eseguito si verifica un errore. Se l'errore riguarda un modulo che dovrebbe essere disponibile nella distribuzione di Python, importalo localmente, dove viene utilizzato.

Ad esempio, invece di:

import re
…
def myfunc():
  # use re module

utilizzo:

def myfunc():
  import re
  # use re module

In alternativa, se i tuoi DoFn si estendono su più file, utilizza un approccio diverso per impacchettare il flusso di lavoro e gestire le dipendenze.

L'oggetto è soggetto al criterio di conservazione del bucket

Quando hai un job Dataflow che scrive in bucket Cloud Storage, il job non riesce e restituisce il seguente errore:

Object 'OBJECT_NAME' is subject to bucket's retention policy or object retention and cannot be deleted or overwritten

Potresti visualizzare anche il seguente errore:

Unable to rename "gs://BUCKET"

Il primo errore si verifica quando la conservazione degli oggetti è abilitata in Cloud Storage in cui scrive il job Dataflow. Per ulteriori informazioni, consulta Attivare e utilizzare le configurazioni di conservazione degli oggetti.

Per risolvere il problema, utilizza una delle seguenti soluzioni alternative:

Il secondo errore può indicare che la conservazione degli oggetti è abilitata nel bucket Cloud Storage oppure che l'account di servizio del worker Dataflow non dispone dell'autorizzazione per scrivere nel bucket Cloud Storage.

Se viene visualizzato il secondo errore e la conservazione degli oggetti è abilitata nella bucket Cloud Storage, prova le soluzioni alternative descritte in precedenza. Se la conservazione degli oggetti non è abilitata nel bucket Cloud Storage, verifica se l'account di servizio del worker Dataflow dispone dell'autorizzazione in scrittura sul bucket Cloud Storage. Per ulteriori informazioni, vedi Accedi ai bucket Cloud Storage.

Elaborazione bloccata o operazione in corso

Se Dataflow trascorre più tempo a eseguire un'DoFn rispetto al tempo specificato in TIME_INTERVAL senza restituire, viene visualizzato il seguente messaggio.

Java

Uno dei due messaggi di log seguenti, a seconda della versione:

Processing stuck in step STEP_NAME for at least TIME_INTERVAL

Operation ongoing in bundle BUNDLE_ID for at least TIME_INTERVAL without outputting or completing: at STACK_TRACE

Python

Operation ongoing for over TIME_INTERVAL in state STATE in step STEP_ID without returning. Current Traceback: TRACEBACK

Vai

Operation ongoing in transform TRANSFORM_ID for at least TIME_INTERVAL without outputting or completing in state STATE

Questo comportamento ha due possibili cause:

  • Il codice DoFn è lento o è in attesa del completamento di un'operazione esterna lenta.
  • Il codice di DoFn potrebbe essere bloccato, bloccato o insolitamente lento da completare e l'elaborazione dei dati.

Per determinare quale sia il caso, espandi la voce del log di Cloud Monitoring per visualizzare una traccia dello stack. Cerca i messaggi che indicano che il codice DoFn è bloccato o incontrare problemi. Se non sono presenti messaggi, il problema potrebbe essere la velocità di esecuzione del codice DoFn. Valuta l'uso di Cloud Profiler o un altro strumento per analizza le prestazioni del codice.

Se la tua pipeline è creata sulla VM Java (utilizzando Java o Scala), puoi indaga sulla causa del codice bloccato. Esegui un dump completo del thread l'intera JVM (non solo il thread bloccato) seguendo questi passaggi:

  1. Prendi nota del nome del worker nella voce di log.
  2. Nella sezione Compute Engine della console Google Cloud, individua l'istanza Compute Engine con il nome del worker che hai annotato.
  3. Utilizza SSH per connetterti all'istanza con quel nome.

  4. Esegui questo comando:

    curl http://localhost:8081/threadz

Errori di quota Pub/Sub

Quando esegui una pipeline in modalità flusso da Pub/Sub, quanto segue che si verificano:

429 (rateLimitExceeded)

In alternativa:

Request was throttled due to user QPS limit being reached

Questi errori si verificano se il progetto non è sufficiente Quota Pub/Sub.

Per sapere se la quota del progetto è insufficiente, segui questi passaggi per controllare per gli errori del client:

  1. Vai alla console Google Cloud.
  2. Nel menu a sinistra, seleziona API e servizi.
  3. Nella casella di ricerca, cerca Cloud Pub/Sub.
  4. Fai clic sulla scheda Utilizzo.
  5. Controlla i codici di risposta e cerca i codici di errore del client (4xx).

La richiesta è vietata dai criteri dell'organizzazione

Quando esegui una pipeline, si verifica il seguente errore:

Error trying to get gs://BUCKET_NAME/FOLDER/FILE:
{"code":403,"errors":[{"domain":"global","message":"Request is prohibited by organization's policy","reason":"forbidden"}],
"message":"Request is prohibited by organization's policy"}

Questo errore si verifica se il bucket Cloud Storage non è all'interno del perimetro del servizio.

Per risolvere il problema, crea una regola di uscita che consenta l'accesso al bucket all'esterno del perimetro di servizio.

Il pacchetto in fase di staging...non è accessibile

I job che hanno avuto esito positivo potrebbero non riuscire con il seguente errore:

Staged package...is inaccessible

Per risolvere il problema:

  • Verifica che il bucket Cloud Storage utilizzato per l'implementazione in staging non abbia impostazioni TTL che causano l'eliminazione dei pacchetti sottoposti a staging.

  • Verifica che l'account di servizio del worker del tuo progetto Dataflow abbia l'autorizzazione per accedere al bucket Cloud Storage utilizzato per lo staging. Le lacune nelle autorizzazioni possono essere dovute a uno dei seguenti motivi:

    • Il bucket Cloud Storage utilizzato per la gestione temporanea è presente in un progetto diverso.
    • È stata eseguita la migrazione del bucket Cloud Storage utilizzato per la gestione temporanea dall'accesso granulare all'accesso uniforme a livello di bucket. A causa dell'incongruenza tra i criteri IAM e ACL, la migrazione del bucket di staging all'accesso uniforme a livello di bucket non consente gli ACL per le risorse Cloud Storage. Gli ACL includono autorizzazioni dell'account di servizio worker del tuo progetto Dataflow sul bucket gestione temporanea.

Per ulteriori informazioni, vedi Accesso ai bucket Cloud Storage nei progetti Google Cloud.

Un elemento di lavoro ha avuto esito negativo per 4 volte

Quando un job batch non va a buon fine, si verifica il seguente errore:

The job failed because a work item has failed 4 times.

Questo errore si verifica se una singola operazione in un job batch causa il fallimento del codice del worker quattro volte. Dataflow non riesce a completare il job e viene visualizzato questo messaggio.

Durante l'esecuzione in modalità flusso di dati, viene effettuato un nuovo tentativo per un bundle che include un elemento con errori a tempo indeterminato, il che potrebbe causare il blocco permanente della pipeline.

Non puoi configurare questa soglia di errore. Per maggiori dettagli, consulta la sezione sulla gestione di errori ed eccezioni della pipeline.

Per risolvere il problema, cerca i quattro singoli errori nei log di Monitoraggio cloud del job. Nei log del worker, cerca il log a livello di errore o a livello di errore irreversibile. che mostrano eccezioni o errori. L'eccezione dovrebbe essere visualizzato almeno quattro volte. Se i log contengono solo errori di timeout generici relativi all'accesso a risorse esterne, come MongoDB, verifica che l'account di servizio del worker abbia l'autorizzazione per accedere alla sottorete della risorsa.

Timeout nel file dei risultati di polling

Quando un job non va a buon fine, si verifica quanto segue:

Timeout in polling result file: PATH. Possible causes are:
1. Your launch takes too long time to finish. Please check the logs on stackdriver.
2. Service account SERVICE_ACCOUNT may not have enough permissions to pull
container image IMAGE_PATH or create new objects in PATH.
3. Transient errors occurred, please try again.

Il problema è spesso correlato al modo in cui vengono installate le dipendenze Python utilizzando il file requirements.txt. Lo stager di Apache Beam scarica il codice sorgente di tutte le dipendenze da PyPI, incluse le origini delle dipendenze transitive. Poi, la compilazione di wheel avviene implicitamente durante il comando di download di pip per alcuni dei pacchetti Python che sono dipendenze di apache-beam. Potrebbe verificarsi un problema di timeout a causa del file requirements.txt.

Per ulteriori informazioni, consulta il bug del team Apache Arrow che monitora questo problema. La soluzione alternativa suggerita consiste nell'installare apache-beam direttamente nel Dockerfile. In questo modo, il timeout per il file requirements.txt non viene applicato.

Scrittura del file corretto/Scrittura/WriteImpl/PreFinalize non riuscita

Durante l'esecuzione di un job, il job non riesce a intermittenza e si verifica il seguente errore:

Workflow failed. Causes: S27:Write Correct File/Write/WriteImpl/PreFinalize failed., Internal Issue (ID): ID:ID, Unable to expand file pattern gs://BUCKET_NAME/temp/FILE

Questo errore si verifica quando viene utilizzata la stessa sottocartella come posizione di archiviazione temporanea per più job eseguiti contemporaneamente.

Per risolvere il problema, non utilizzare la stessa sottodirectory come posizione di archiviazione temporanea per più pipeline. Per ogni pipeline, fornisci una sottocartella univoca da utilizzare come posizione di archiviazione temporanea.

L'elemento supera le dimensioni massime del messaggio protobuf

Quando esegui job di Dataflow e la pipeline contiene elementi di grandi dimensioni, potresti visualizzare errori simili ai seguenti esempi:

Exception serializing message!
ValueError: Message org.apache.beam.model.fn_execution.v1.Elements exceeds maximum protobuf size of 2GB

In alternativa:

Buffer size ... exceeds GRPC limit 2147483548. This is likely due to a single element that is too large.

Potresti anche vedere un avviso simile al seguente esempio:

Data output stream buffer size ... exceeds 536870912 bytes. This is likely due to a large element in a PCollection.

Questi errori si verificano quando la pipeline contiene elementi di grandi dimensioni.

Per risolvere il problema, se utilizzi l'SDK Python, esegui l'upgrade ad Apache Beam 2.57.0 o versioni successive. Le versioni 2.57.0 e successive dell'SDK Python consentono di migliorare l'elaborazione di elementi di grandi dimensioni e aggiungere il logging pertinente.

Se gli errori persistono dopo l'upgrade o se non utilizzi l'SDK Python, identificare il passaggio del job in cui si verifica l'errore, e prova a ridurre le dimensioni degli elementi in quel passaggio.

Quando PCollection oggetti nella pipeline hanno elementi di grandi dimensioni, i requisiti di RAM per la pipeline aumentano. Gli elementi di grandi dimensioni possono anche causare errori di runtime, soprattutto quando oltrepassano i confini delle fasi fuse.

Possono verificarsi elementi di grandi dimensioni quando una pipeline materializza inavvertitamente iterabile. Ad esempio, una pipeline che passa l'output di un'operazione GroupByKey a un'operazione Reshuffle non necessaria materializza gli elenchi come singoli elementi. Questi elenchi possono contenere un numero elevato di valori per ogni chiave.

Se l'errore si verifica in un passaggio che utilizza un input aggiuntivo, tieni presente che l'uso possono introdurre una barriera di fusione. Controlla se la trasformazione che produce un elemento di grandi dimensioni e la che la consuma appartiene alla stessa fase.

Quando crei la pipeline, segui queste best practice:

  • In PCollections, utilizza più elementi piccoli anziché un singolo elemento grande.
  • Archiviare BLOB di grandi dimensioni in sistemi di archiviazione esterni. Usa PCollections per passare i propri metadati o utilizzare un programmatore personalizzato che riduce le dimensioni dell'elemento.
  • Se devi passare una PCollection che può superare i 2 GB come input aggiuntivo, utilizza viste iterabili, come AsIterable e AsMultiMap.

La dimensione massima di un singolo elemento in un job Dataflow è limitato a 2 GB. Per ulteriori informazioni, vedi Quote e limiti.

Archivia errori del job

Le sezioni seguenti contengono gli errori comuni che potresti riscontrare quando provi a archiviare un job Dataflow utilizzando l'API.

Nessun valore fornito

Quando provi ad archiviare un job Dataflow utilizzando l'API, viene restituito potrebbe verificarsi un errore:

The field mask specifies an update for the field job_metadata.user_display_properties.archived in job JOB_ID, but no value is provided. To update a field, please provide a field for the respective value.

Questo errore si verifica per uno dei seguenti motivi:

  • Il percorso specificato per il campo updateMask non segue il formato corretto. Questo problema può verificarsi a causa di errori di battitura.

  • JobMetadata non è specificato correttamente. Nel campo JobMetadata, per userDisplayProperties, utilizza la coppia chiave-valore "archived":"true".

Per risolvere questo errore, verifica che che passi all'API sia nel formato richiesto. Per maggiori dettagli, consulta Archiviare un job.

L'API non riconosce il valore

Quando provi ad archiviare un job Dataflow utilizzando l'API, viene restituito potrebbe verificarsi un errore:

The API does not recognize the value VALUE for the field job_metadata.user_display_properties.archived for job JOB_ID. REASON: Archived display property can only be set to 'true' or 'false'

Questo errore si verifica quando il valore fornito nella coppia chiave-valore dei job di archiviazione non è supportato. I valori supportati per la coppia chiave-valore dei job di archiviazione sono "archived":"true" e "archived":"false".

Per risolvere questo errore, verifica che il comando passato all'API corrisponda al formato richiesto. Per ulteriori dettagli, consulta Archiviare un job.

Impossibile aggiornare sia lo stato sia la maschera

Quando provi ad archiviare un job Dataflow utilizzando l'API, potrebbe verificarsi il seguente errore:

Cannot update both state and mask.

Questo errore si verifica quando si tenta di aggiornare sia lo stato del job che lo stato dell'archiviazione nella stessa chiamata all'API. Non puoi aggiornare sia lo stato del job sia il parametro di query updateMask nella stessa chiamata API.

Per risolvere questo errore, aggiorna lo stato del job in una chiamata API separata. Apporta aggiornamenti allo stato del job prima di aggiornare lo stato di archiviazione del job.

Modifica del flusso di lavoro non riuscita

Quando provi ad archiviare un job Dataflow utilizzando l'API, viene restituito potrebbe verificarsi un errore:

Workflow modification failed.

Questo errore di solito si verifica quando tenti di archiviare un job in esecuzione.

Per risolvere questo errore, attendi il completamento del job prima di archiviarlo. I job completati hanno uno dei seguenti valori: stati lavoro:

  • JOB_STATE_CANCELLED
  • JOB_STATE_DRAINED
  • JOB_STATE_DONE
  • JOB_STATE_FAILED
  • JOB_STATE_UPDATED

Per ulteriori informazioni, consulta Rileva il completamento del job Dataflow.

Errori nell'immagine container

Le seguenti sezioni contengono errori comuni che potresti riscontrare durante l'utilizzo di container personalizzati e i passaggi per risolvere gli errori. Gli errori sono in genere preceduti dal seguente messaggio:

Unable to pull container image due to error: DETAILED_ERROR_MESSAGE

Autorizzazione "containeranalysis.realtimes.list" rifiutato

Nei file di log viene visualizzato il seguente errore:

Error getting old patchz discovery occurrences: generic::permission_denied: permission "containeranalysis.occurrences.list" denied for project "PROJECT_ID", entity ID "" [region="REGION" projectNum=PROJECT_NUMBER projectID="PROJECT_ID"]

L'API Container Analysis è obbligatoria per l'analisi delle vulnerabilità.

Per ulteriori informazioni, vedi Panoramica della scansione del sistema operativo e Configurazione del controllo dell'accesso nella documentazione di Artifact Analysis.

Errore di sincronizzazione del pod ... non riuscito in "StartContainer"

Durante l'avvio del worker si verifica il seguente errore:

Error syncing pod POD_ID, skipping: [failed to "StartContainer" for CONTAINER_NAME with CrashLoopBackOff: "back-off 5m0s restarting failed container=CONTAINER_NAME pod=POD_NAME].

Un pod è un gruppo distribuito di container Docker in esecuzione su un Worker Dataflow. Questo errore si verifica quando non riesce ad avviarsi uno dei container Docker nel pod. Se l'errore non è recuperabile, il worker Dataflow non riesce ad avviarsi e i job batch di Dataflow alla fine non riescono a completarsi con errori come i seguenti:

The Dataflow job appears to be stuck because no worker activity has been seen in the last 1h.

Questo errore si verifica in genere quando uno dei contenitori si arresta in modo anomalo continuamente durante l'avvio.

Per comprendere la causa principale, cerca i log acquisiti immediatamente prima dell'errore. Per analizzare i log, utilizza Esplora log. In Esplora log, limita i file di log alle voci di log emesse dal worker con errori di avvio del container. Per limitare le voci di log, completa la seguenti passaggi:

  1. In Esplora log, individua la voce di log Error syncing pod.
  2. Per visualizzare le etichette associate alla voce di log, espandi la voce di log.
  3. Fai clic sull'etichetta associata a resource_name, quindi su Mostra voci corrispondenti.

La pagina Esplora log in cui sono evidenziati i passaggi per limitare i file di log.

In Esplora log, i log di Dataflow sono organizzati in diversi stream di log. Il messaggio Error syncing pod viene emesso nel log denominato kubelet. Tuttavia, i log del container in errore potrebbero trovarsi in una flusso di log. Ogni contenitore ha un nome. Utilizza la seguente tabella per determinare quale flusso di log potrebbe contenere i log relativi al container in errore.

Nome container Nomi log
sdk, sdk0, sdk1, sdk-0-0 e simili docker
imbracatura cablaggio, avvio-bracciale
python, java-batch, flusso java avvio-lavoro, worker
artefatto artefatto

Quando esegui una query in Esplora log, assicurati che includa i nomi dei log pertinenti nell'interfaccia del generatore di query o che non abbia limitazioni per il nome del log.

Una query di Esplora log che include i nomi dei log pertinenti.

Dopo aver selezionato i log pertinenti, il risultato della query potrebbe essere simile all'esempio seguente:

resource.type="dataflow_step"
resource.labels.job_id="2022-06-29_08_02_54-JOB_ID"
labels."compute.googleapis.com/resource_name"="testpipeline-jenkins-0629-DATE-cyhg-harness-8crw"
logName=("projects/apache-beam-testing/logs/dataflow.googleapis.com%2Fdocker"
OR
"projects/apache-beam-testing/logs/dataflow.googleapis.com%2Fworker-startup"
OR
"projects/apache-beam-testing/logs/dataflow.googleapis.com%2Fworker")

Poiché a volte i log che segnalano il sintomo dell'errore del container segnalato come INFO, includi i log INFO nell'analisi.

Le cause tipiche degli errori dei contenitori includono:

  1. La tua pipeline Python ha dipendenze aggiuntive installate runtime e l'installazione non riesce. Potresti visualizzare errori come pip install failed with error. Questo problema potrebbe verificarsi a causa di conflitti o a causa di una configurazione di rete limitata che impedisce a un worker Dataflow dal pull di una dipendenza esterna da un un repository pubblico su internet.

  2. Un worker non funziona correttamente nel mezzo dell'esecuzione della pipeline a causa di un errore di esaurimento della memoria. Potresti visualizzare un errore come uno dei seguenti:

    • java.lang.OutOfMemoryError: Java heap space
    • Shutting down JVM after 8 consecutive periods of measured GC thrashing. Memory is used/total/max = 24453/42043/42043 MB, GC last/max = 58.97/99.89 %, #pushbacks=82, gc thrashing=true. Heap dump not written.

    Per eseguire il debug di un problema di memoria esaurita, consulta: Risolvi gli errori di esaurimento della memoria di Dataflow.

  3. Dataflow non è in grado di eseguire il pull dell'immagine container. Per ulteriori informazioni, consulta la sezione Richiesta di pull di immagini non riuscita con errore.

  4. Il contenitore utilizzato non è compatibile con l'architettura della CPU della VM worker. Nei log di avvio del cablaggio, potrebbe essere visualizzato un errore simile al seguente: exec /opt/apache/beam/boot: exec format error. Per controllare il container dell'architettura dell'immagine, esegui docker image inspect $IMAGE:$TAG e cerca Architecture parola chiave. Se è indicato Error: No such image: $IMAGE:$TAG, potresti dover prima eseguire il pull dell'immagine eseguendo docker pull $IMAGE:$TAG. Per informazioni sulla creazione di immagini multi-architettura, consulta Creare un'immagine container multi-architettura.

Dopo aver identificato l'errore che causa il mancato funzionamento del container, prova a risolvere il problema e poi invia nuovamente la pipeline.

Richiesta di pull delle immagini non riuscita con errore

Durante l'avvio del worker, nei log del worker o del job viene visualizzato uno dei seguenti errori:

Image pull request failed with error

pull access denied for IMAGE_NAME

manifest for IMAGE_NAME not found: manifest unknown: Failed to fetch

Get IMAGE_NAME: Service Unavailable

Questi errori si verificano se un worker non è in grado di avviarsi perché non può eseguire il pull di un'immagine container Docker. Questo problema si verifica nei seguenti scenari:

  • L'URL dell'immagine del container SDK personalizzato non è corretto
  • Il worker non ha le credenziali o l'accesso alla rete all'immagine remota

Per risolvere il problema:

  • Se utilizzi un'immagine contenitore personalizzata con il tuo job, verifica che l'URL dell'immagine sia corretto e che abbia un tag o un digest valido. Anche i worker di Dataflow devono avere accesso all'immagine.
  • Verifica che le immagini pubbliche possano essere estratte localmente eseguendo docker pull $image da un computer non autenticato.

Per immagini private o lavoratori privati:

  • Se utilizzi Container Registry per ospitare l'immagine del contenitore, ti consigliamo di utilizzare Artifact Registry. In vigore Il 15 maggio 2023 Container Registry è deprecato. Se utilizzi Container Registry, puoi transizione ad Artifact Registry. Se le immagini si trovano in un progetto diverso rispetto a quello usato per eseguire il job Google Cloud, configurare il controllo dell'accesso l'account di servizio predefinito di Google Cloud.
  • Se utilizzi un Virtual Private Cloud (VPC) condiviso, assicurati che i worker possano accedere all'host del repository dei contenitori personalizzati.
  • Utilizza ssh per connetterti a una VM worker job in esecuzione ed esegui docker pull $image per confermare direttamente che il worker è configurato correttamente.

Se i worker non riescono più volte di seguito a causa di questo errore e il lavoro su un job è iniziato, il job può non riuscire con un errore simile al seguente messaggio:

Job appears to be stuck.

Se rimuovi l'accesso all'immagine mentre il job è in esecuzione, puoi rimuovere l'immagine stessa o la revoca del worker Dataflow le credenziali dell'account di servizio o l'accesso a internet per accedere alle immagini; Solo Dataflow log degli errori. Dataflow non fallisce il job. Dataflow evita anche il malfunzionamento di pipeline di flusso a lunga esecuzione per evitare di perdere lo stato della pipeline.

Altri possibili errori possono derivare da problemi o interruzioni delle quote del repository. Se riscontrano problemi che superano Quota di Docker Hub per il pull di immagini pubbliche o per eventuali interruzioni dei repository di terze parti, considera utilizzando Artifact Registry come repository di immagini.

SystemError: opcode sconosciuto

La pipeline del container personalizzato Python potrebbe avere esito negativo con il seguente errore subito dopo l'invio del job:

SystemError: unknown opcode

Inoltre, l'analisi dello stack potrebbe includere

apache_beam/internal/pickler.py

Per risolvere questo problema, verifica che la versione Python che stai utilizzando localmente corrisponde alla versione dell'immagine container fino alla versione principale e secondaria. La differenza nella versione patch, ad esempio 3.6.7 rispetto alla 3.6.8, non crea o problemi di compatibilità. La differenza nella versione minore, ad esempio 3.6.8 rispetto a 3.8.2, può causare errori nella pipeline.

Errori worker

Le sezioni seguenti contengono gli errori comuni dei lavoratori che potresti riscontrare e i passaggi per risolverli o per la risoluzione dei problemi.

La chiamata dal cablaggio del worker Java al DoFn Python non riesce e restituisce un errore

Se una chiamata dall'harness del worker Java a un DoFn Python non va a buon fine, viene visualizzato un messaggio di errore pertinente.

Per esaminare l'errore, espandi la sezione Log degli errori di Cloud Monitoring ed esaminare il messaggio di errore e il traceback. Ti mostra il codice non è andato a buon fine, puoi correggerlo se necessario. Se ritieni che l'errore sia un bug di Apache Beam o Dataflow, segnala il bug.

EOFError: dati marshal troppo brevi

Nei log del worker viene visualizzato il seguente errore:

EOFError: marshal data too short

A volte questo errore si verifica quando i worker della pipeline Python esauriscono lo spazio su disco.

Per risolvere il problema, consulta Nessun spazio rimanente sul dispositivo.

Impossibile collegare il disco

Quando provi ad avviare un job Dataflow che utilizza VM C3 con disco permanente, il job non va a buon fine con uno o entrambi i seguenti errori:

Failed to attach disk(s), status: generic::invalid_argument: One or more operations had an error

Can not allocate sha384 (reason: -2), Spectre V2 : WARNING: Unprivileged eBPF is enabled with eIBRS on...

Questi errori si verificano quando utilizzi le VM C3 con tipo di Persistent Disk non supportato. Per ulteriori informazioni, consulta Tipi di dischi supportati per C3.

Per utilizzare le VM C3 con il tuo job Dataflow, scegli il Tipo di disco worker pd-ssd. Per ulteriori informazioni, vedi Opzioni a livello di worker.

Java

--workerDiskType=pd-ssd

Python

--worker_disk_type=pd-ssd

Vai

disk_type=pd-ssd

Spazio esaurito sul dispositivo

Quando un job esaurisce lo spazio su disco, potrebbe essere visualizzato il seguente errore nella log dei worker:

No space left on device

Questo errore può verificarsi per uno dei seguenti motivi:

  • L'archiviazione permanente dei worker esaurisce lo spazio libero, cosa che può verificarsi per per uno dei seguenti motivi:
    • Un job scarica dipendenze di grandi dimensioni in fase di esecuzione
    • Un job utilizza container personalizzati di grandi dimensioni
    • Un job scrive molti dati temporanei sul disco locale
  • Quando si utilizza Dataflow Shuffle, Set Dataflow di dimensioni predefinite del disco inferiori. Di conseguenza, questo errore potrebbe verificarsi con lo spostamento dei job dall'ambiente shuffling.
  • Il disco di avvio del worker si riempie perché sta registrando più di 50 voci per secondo.

Per risolvere il problema, segui questi passaggi per la risoluzione dei problemi:

Per vedere le risorse del disco associate a un singolo worker, cerca un'istanza VM per le VM worker associate al job. Parte dello spazio su disco viene impiegata dal sistema operativo, dai binari, dai log e dai contenitori.

Per aumentare lo spazio del disco permanente o del disco di avvio, modifica l'opzione della pipeline delle dimensioni del disco.

Tieni traccia dell'utilizzo dello spazio su disco nelle istanze VM worker tramite Cloud Monitoring. Consulta: Ricevi metriche delle VM worker dall'agente Monitoring per istruzioni sulla procedura di configurazione.

Cerca i problemi di spazio sul disco di avvio visualizzando l'output della porta seriale sulle istanze VM worker e cerca messaggi come:

Failed to open system journal: No space left on device

Se hai molte istanze VM di lavoro, puoi creare uno script per eseguire gcloud compute instances get-serial-port-output su tutte contemporaneamente. Puoi invece rivedere questo output.

La pipeline Python ha esito negativo dopo un'ora di inattività del worker

Quando utilizzi l'SDK Apache Beam per Python con Dataflow Runner V2 sulle macchine worker con molti core della CPU, utilizza Apache Beam SDK 2.35.0 o versioni successive. Se il tuo job utilizza un container personalizzato, usa Apache Beam SDK 2.46.0 o versioni successive.

Valuta la possibilità di predefinire il container Python. Questo passaggio può migliorare i tempi di avvio delle VM e le prestazioni della scalabilità automatica orizzontale. Per utilizzare questa funzionalità, attiva l'API Cloud Build nel tuo progetto e invia la pipeline con il seguente parametro:

‑‑prebuild_sdk_container_engine=cloud_build.

Per ulteriori informazioni, vedi Dataflow Runner V2.

Puoi anche Utilizzare un'immagine container personalizzata con tutte le dipendenze preinstallate.

L'avvio del pool di worker nella zona non ha consentito di avviare nessuno dei worker desiderati

Si verifica il seguente errore:

Startup of the worker pool in zone ZONE_NAME failed to bring up any of the desired NUMBER workers.
The project quota may have been exceeded or access control policies may be preventing the operation;
review the Cloud Logging 'VM Instance' log for diagnostics.

Questo errore si verifica per uno dei seguenti motivi:

  • Hai superato una delle quote di Compute Engine su cui si basa la creazione di worker Dataflow.
  • La tua organizzazione ha imposto limitazioni che vietano alcuni aspetti della procedura di creazione delle istanze VM, ad esempio l'account utilizzato o la zona di destinazione.

Per risolvere il problema, segui questi passaggi per la risoluzione dei problemi:

Esamina il log dell'istanza VM

  1. Vai al visualizzatore Cloud Logging
  2. Nell'elenco a discesa Risorsa sottoposta a controllo, seleziona Istanza VM.
  3. Nell'elenco a discesa Tutti i log, seleziona compute.googleapis.com/activity_log.
  4. Esamina il log per verificare la presenza di voci relative al mancato completamento della creazione dell'istanza VM.

Verifica l'utilizzo delle quote di Compute Engine

  1. Per visualizzare l'utilizzo delle risorse di Compute Engine rispetto alle quote di Dataflow per la zona di destinazione, esegui il seguente comando:

    gcloud compute regions describe [REGION]

  2. Esamina i risultati per le seguenti risorse per verificare se alcune superano la quota:

    • CPU
    • DISKS_TOTAL_GB
    • IN_USE_ADDRESSES
    • INSTANCE_GROUPS
    • ISTANZE
    • REGIONAL_INSTANCE_GROUP_MANAGERS

  3. Se necessario, richiedi una modifica della quota.

Esamina i vincoli dei criteri dell'organizzazione

  1. Vai alla sezione Pagina Criteri dell'organizzazione
  2. Esamina i vincoli relativi a eventuali che potrebbero limitare la creazione di istanze VM per all'account in uso (per impostazione predefinita, Account di servizio Dataflow) o nella zona che hai scelto come target.
  3. Se hai un criterio che limita l'utilizzo degli indirizzi IP esterni, attiva dagli indirizzi IP esterni per questo job. Per ulteriori informazioni su come disattivare gli indirizzi IP esterni, consulta la pagina Configurare l'accesso a internet e le regole firewall.

Timeout durante l'attesa di un aggiornamento da parte del worker

In caso di errore di un job Dataflow, si verifica il seguente errore:

Root cause: Timed out waiting for an update from the worker. For more information, see https://cloud.google.com/dataflow/docs/guides/common-errors#worker-lost-contact.

A volte questo errore si verifica quando il worker esaurisce la memoria o esegue lo scambio spazio. Per risolvere il problema, come primo passaggio, prova a eseguire di nuovo il job. Se il job continua a non riuscire e si verifica lo stesso errore, prova a utilizzare un worker con più memoria e spazio su disco. Ad esempio, aggiungi il seguente avvio della pipeline :

--worker_machine_type=m1-ultramem-40 --disk_size_gb=500

La modifica del tipo di lavoratore potrebbe influire sul costo fatturato. Per ulteriori informazioni, consulta Risolvere gli errori di esaurimento della memoria di Dataflow.

Questo errore può verificarsi anche quando i dati contengono una hot key. In questo scenario, l'utilizzo della CPU è elevato su alcuni worker per la maggior parte della durata del job. Tuttavia, il numero di worker non raggiunge il massimo consentito. Per ulteriori informazioni sulle chiavi di scelta rapida e le possibili soluzioni, consulta Scrittura di pipeline Dataflow in funzione della scalabilità.

Per ulteriori soluzioni a questo problema, vedi È stato rilevato un tasto di scelta rapida ....

Se il codice Python chiama il codice C/C++ utilizzando il meccanismo di estensione Python, controlla se il codice dell'estensione rilascia il blocco dell'interprete globale (GIL) di Python nelle parti di codice con un'elaborazione intensiva che non accedono allo stato di Python. Se il GIL non viene rilasciato per un periodo di tempo prolungato, potresti visualizzare messaggi di errore come: Unable to retrieve status info from SDK harness <...> within allowed time e SDK worker appears to be permanently unresponsive. Aborting the SDK.

Le librerie che facilitano le interazioni con le estensioni come Cython e PyBind hanno delle primitive per controllare lo stato GIL. Puoi anche rilasciare manualmente GIL e riacquisirlo prima di restituire il controllo all'interprete Python usando Macro Py_BEGIN_ALLOW_THREADS e Py_END_ALLOW_THREADS. Per saperne di più, vedi Stato del thread e Blocco interprete globale nella documentazione Python.

Potrebbe essere possibile recuperare le stacktrace di un thread che detiene il GIL su un worker Dataflow in esecuzione come segue:

# SSH to a currently running Dataflow worker VM, for example:
gcloud compute ssh --zone "us-central1-a" "beamapp-someworker-harness-abcd" --project "project-id"

# Find a container running the Python SDK harness.
CONTAINER_ID=`docker ps | grep python | head -1 | awk '{print $1}'`

# Start a shell in the running container.
docker exec --privileged -it $CONTAINER_ID /bin/bash

# Inspect python processes in the running container.
ps -A | grep python
PYTHON_PID=$(ps -A | grep python | head -1 | awk '{print $1}')

# Use pystack to retrieve stacktraces from the python process. Note which thread holds the GIL.
pip install pystack
pystack remote $PYTHON_PID

# To look up the native (C/C++) frames, use --native-all flag or use gdb:
pystack remote --native-all $PYTHON_PID
apt update && apt install -y gdb
gdb --quiet \
  --eval-command="set pagination off" \
  --eval-command="thread apply all bt" \
  --eval-command "set confirm off" \
  --eval-command="quit"  -p $PYTHON_PID

Nelle pipeline Python, nella configurazione predefinita, presuppone che ogni processo Python in esecuzione sui worker ne utilizzi in modo efficiente di un singolo core vCPU. Se il codice della pipeline ignora i limiti GIL, ad esempio utilizzando librerie implementate in C++, elaborando potrebbero utilizzare risorse di più di un core vCPU, i worker potrebbero non ricevere abbastanza risorse della CPU. Per aggirare questo problema, riduci il numero di thread sui worker.

Errori temporanei durante la pubblicazione nell'argomento

Quando il job di flussi di dati utilizza la modalità flusso di dati "Almeno una volta" e pubblica in un sink Pub/Sub, nei log del job viene visualizzato il seguente errore:

There were transient errors publishing to topic

Se il job funziona correttamente, questo errore è benigno e puoi ignorarlo. Dataflow riprova automaticamente a inviare Pub/Sub con un ritardo di backoff.

Problemi di dipendenza Java

Classi e librerie incompatibili possono causare problemi di dipendenza da Java. Quando la pipeline presenta problemi di dipendenza da Java, potrebbe verificarsi uno dei seguenti errori:

  • NoClassDefFoundError: questo errore si verifica quando un intero corso non è disponibile durante il runtime.
  • NoSuchMethodError: questo errore si verifica quando la classe nel classpath utilizza una versione che non contiene il metodo corretto o quando il metodo firma modificata.
  • NoSuchFieldError: questo errore si verifica quando la classe nel percorso di classe utilizza una versione che non ha un campo obbligatorio durante l'esecuzione.
  • FATAL ERROR in native method: questo errore si verifica quando non è possibile caricare correttamente una dipendenza integrata. Se utilizzi uber JAR (ombreggiato), non includere librerie che utilizzano firme (come Conscrypt) nello stesso JAR.

Se la pipeline contiene impostazioni e codice specifici dell'utente, il codice non può contenere versioni miste delle librerie. Se usi una libreria di gestione delle dipendenze, ti consigliamo di usare BOM delle librerie Google Cloud.

Se utilizzi l'SDK Apache Beam, per importare il BOM delle librerie corretto, usa beam-sdks-java-io-google-cloud-platform-bom:

Maven 

<dependencyManagement>
  <dependencies>
    <dependency>
      <groupId>org.apache.beam</groupId>
      <artifactId>beam-sdks-java-google-cloud-platform-bom</artifactId>
      <version>BEAM_VERSION</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
  </dependencies>
</dependencyManagement>

Gradle 

dependencies {
    implementation(platform("org.apache.beam:beam-sdks-java-google-cloud-platform-bom:BEAM_VERSION"))
}

Per saperne di più, consulta Gestire le dipendenze della pipeline in Dataflow.

InaccessibleObjectException in JDK 17 e versioni successive

Quando esegui pipeline con la piattaforma Java, JDK (Standard Edition Development Kit) versioni 17 e successive, nei file di log del worker potrebbe essere visualizzato il seguente errore:

Unable to make protected METHOD accessible:
    module java.MODULE does not "opens java.MODULE" to ...

Questo problema si verifica perché a partire da Java versione 9, Java Virtual Machine con modulo aperto (JVM) sono necessarie per accedere agli interni JDK. In Java 16 e versioni successive, sono sempre necessarie opzioni JVM a modulo aperto per accedere agli interni JDK.

Per risolvere il problema, quando passi i moduli alla pipeline Dataflow da aprire, utilizza il formato MODULE/PACKAGE=TARGET_MODULE(,TARGET_MODULE)* con l'opzione della pipeline jdkAddOpenModules. Questo formato consente di accedere alla libreria necessaria.

Ad esempio, se l'errore è module java.base does not "opens java.lang" to unnamed module @..., includi la seguente opzione per la pipeline quando esegui la pipeline:

--jdkAddOpenModules=java.base/java.lang=ALL-UNNAMED

Per ulteriori informazioni, consulta DataflowPipelineOptions documentazione del corso.

Errori del connettore BigQuery

Le seguenti sezioni contengono errori comuni del connettore BigQuery che che potresti riscontrare e i passaggi per risolverli o per risolverlo.

quotaExceeded

Quando utilizzi il connettore BigQuery per scrivere in BigQuery utilizzando inserimenti in streaming, il throughput di scrittura è inferiore al previsto e potrebbe verificarsi il seguente errore:

quotaExceeded

Una velocità effettiva lenta potrebbe essere dovuta al fatto che la pipeline supera il limite Quota di inserimento di flussi di dati BigQuery. In questo caso, nei log dei worker di Dataflow vengono visualizzati messaggi di errore relativi alle quote di BigQuery (cerca gli errori quotaExceeded).

Se visualizzi quotaExceeded di errori, per risolvere il problema:

  • Quando utilizzi l'SDK Apache Beam per Java, imposta l'opzione di destinazione BigQuery ignoreInsertIds().
  • Quando utilizzi l'SDK Apache Beam per Python, usa l'ignore_insert_ids .

Queste impostazioni ti rendono idoneo a un 1 GB al secondo per ogni progetto BigQuery velocità effettiva di inserimento di flussi di dati. Per ulteriori informazioni sulle avvertenze relative la deduplicazione automatica dei messaggi, Documentazione di BigQuery. Per aumentare la quota di inserimenti in streaming di BigQuery oltre 1 Gbps, invia una richiesta tramite la console Google Cloud.

Se non visualizzi errori relativi alla quota nei log dei worker, il problema potrebbe essere che i parametri relativi al raggruppamento o al batching predefiniti non forniscono un parallelismo adeguato per la scalabilità della pipeline. Puoi modificare diverse impostazioni Configurazioni correlate al connettore Dataflow di BigQuery a raggiungere le prestazioni previste durante la scrittura in BigQuery utilizzando di inserimento di flussi di dati. Ad esempio, per l'SDK Apache Beam per Java, modifica numStreamingKeys in modo che corrisponda al numero massimo di worker e valuta la possibilità di aumentare insertBundleParallelism per configurare il connettore BigQuery in modo che scriva in BigQuery utilizzando più thread paralleli.

Per le configurazioni disponibili nell'SDK Apache Beam per Java, consulta BigQueryPipelineOptions e per le configurazioni disponibili nell'SDK Apache Beam per Python, consulta la trasformazione WriteToBigQuery.

rateLimitExceeded

Quando utilizzi il connettore BigQuery, si verifica il seguente errore:

rateLimitExceeded

Questo errore si verifica se BigQuery Richieste API vengono inviati per un breve periodo di tempo. BigQuery ha limiti di quota a breve termine. È possibile che la pipeline Dataflow superi temporaneamente una quota di questo tipo. In questo scenario, Richieste API dalla tua pipeline Dataflow a BigQuery, potrebbe causare rateLimitExceeded errori nei log del worker.

Dataflow riprova questi errori, quindi puoi ignorarli in tutta sicurezza. Se ritieni che la tua pipeline sia interessata da rateLimitExceeded errori, contatta l'assistenza clienti Google Cloud.

Errori vari

Le seguenti sezioni contengono vari errori che potresti riscontrare e i passaggi per risolverli o per risolvere gli errori.

Impossibile allocare sha384

Il job viene eseguito correttamente, ma nei log del job viene visualizzato il seguente errore:

ima: Can not allocate sha384 (reason: -2)

Se il job viene eseguito correttamente, questo errore è benigno e puoi ignorarlo. A volte le immagini di base della VM worker producono questo messaggio. Dataflow risponde e risolve automaticamente il problema di fondo.

Esiste una richiesta di funzionalità per modificare il livello di questo messaggio da WARN a INFO. Per ulteriori informazioni, consulta Abbassare il livello del log degli errori di lancio del sistema Dataflow su WARN o INFO.

Errore durante l'inizializzazione del prober plug-in dinamico

Il job viene eseguito correttamente, ma nei log del job viene visualizzato il seguente errore:

Error initializing dynamic plugin prober" err="error (re-)creating driver directory: mkdir /usr/libexec/kubernetes: read-only file system

Se il job funziona correttamente, questo errore è benigno e puoi ignorarlo. Questo errore si verifica quando il job Dataflow tenta di creare una directory senza le autorizzazioni di scrittura necessarie e l'attività non va a buon fine. Se il tuo job ha esito positivo, la directory non era necessaria oppure Dataflow ha affrontato di base.

Esiste una richiesta di funzionalità per modificare il livello di questo messaggio dalle ore WARN alle ore INFO. Per ulteriori informazioni, consulta Abbassare il livello del log degli errori di lancio del sistema Dataflow su WARN o INFO.

Oggetto non trovato: pipeline.pb

Quando elenchi i job utilizzando l'opzione JOB_VIEW_ALL, si verifica il seguente errore:

No such object: BUCKET_NAME/PATH/pipeline.pb

Questo errore può verificarsi se elimini il file pipeline.pb dai file di staging per il job.

Ignorare la sincronizzazione del pod

Il job viene eseguito correttamente, ma nei log del job viene visualizzato uno dei seguenti errori:

Skipping pod synchronization" err="container runtime status check may not have completed yet"

In alternativa:

Skipping pod synchronization" err="[container runtime status check may not have completed yet, PLEG is not healthy: pleg has yet to be successful]"

Se il job funziona correttamente, questi errori sono innocui e puoi ignorarli. Il messaggio container runtime status check may not have completed yet si verifica quando il kubelet di Kubernetes salta la sincronizzazione dei pod perché è in attesa dell'inizializzazione del runtime del container. Questo scenario si verifica per diversi motivi, ad esempio quando il runtime del container ha è avviato o si sta riavviando.

Quando il messaggio include PLEG is not healthy: pleg has yet to be successful, il kubelet è in attesa che il generatore di eventi del ciclo di vita dei pod (PLEG) diventi integro prima di sincronizzare i pod. Il PLEG è responsabile della generazione di eventi utilizzati da kubelet per monitorare lo stato dei pod.

Esiste una richiesta di funzionalità per modificare il livello di questo messaggio dalle ore WARN alle ore INFO. Per ulteriori informazioni, consulta Abbassare il livello del log degli errori di lancio del sistema Dataflow su WARN o INFO.

Consigli

Per indicazioni sui suggerimenti generati da Dataflow Insights, consulta la sezione Approfondimenti.