Risoluzione degli errori di Dataflow

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

Gli 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 le 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 analizzabili oppure puntatori nulli durante il calcolo.

Dataflow elabora gli elementi in bundle arbitrari e ritenta il bundle completo quando viene generato un errore per qualsiasi elemento del bundle. In modalità batch, i pacchetti che includono un elemento con errori vengono ritentati quattro volte. Si verifica un errore completo della pipeline quando si verifica un errore del singolo bundle quattro volte. Quando viene eseguito in modalità flusso di dati, un bundle che include un elemento in errore viene ritentato in modo permanente, 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, vedrai anche i messaggi di errore stampati nella console o nella finestra del terminale.

Previeni gli errori nel codice aggiungendo gestori di eccezioni. Ad esempio, se vuoi rimuovere gli elementi che non hanno superato la convalida di input personalizzati in un ParDo, utilizza un blocco trips/catch all'interno di ParDo per gestire l'eccezione e registrare l'elemento. Per i carichi di lavoro di produzione, implementa un pattern di messaggi non elaborato. Per monitorare il numero di 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 tutti i sink del router dei log di Cloud Logging.

Vai al router dei log

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

Duplicati nell'output

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

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

Se il tuo flusso di lavoro non tollera record duplicati, utilizza la modalità flusso di dati "exactly-once". 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 flusso di dati è in uso nel job, consulta Visualizzare la modalità flusso di dati di un job.

Per ulteriori informazioni sulle modalità flusso di dati, consulta Impostare la modalità flusso di dati della pipeline.

Errori della pipeline

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

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 obbligatorie non sono abilitate nel tuo 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 introduttiva sull'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 riesce:

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

Questo errore si verifica se nel nome del percorso di Cloud Storage dei file temporanei (tempLocation o temp_location) è presente il segno (@) seguito da un numero o da un asterisco (*).

Per risolvere il problema, modifica il nome del file in modo che il simbolo della chiocciola sia seguito da un carattere supportato.

Richiesta errata

Quando esegui un job Dataflow, i log di Cloud Monitoring mostrano una serie di avvisi simili al seguente:

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 di richiesta errata vengono visualizzati se le informazioni sullo stato del worker sono inattive o non sincronizzate a causa di ritardi nell'elaborazione. Spesso il job Dataflow ha esito positivo malgrado gli avvisi di richiesta errata. In questo caso, ignora gli avvisi.

Impossibile leggere e scrivere in posizioni diverse

Quando esegui un job Dataflow, potresti visualizzare il seguente errore nei 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 località di gestione temporanea e la destinazione si trovano in regioni diverse. Ad esempio, se il job legge da Pub/Sub e poi scrive in un bucket Cloud Storage temp prima di scrivere in una tabella BigQuery, il bucket Cloud Storage temp e la tabella BigQuery devono trovarsi nella stessa regione.

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

Per risolvere il problema, fai in modo che le località di destinazione, origine e gestione temporanea si trovino nella stessa regione. Le località dei bucket Cloud Storage non possono essere modificate, quindi 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 per la risoluzione dei problemi:

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

Oggetto non trovato

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

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

Questi errori in genere si verificano quando alcuni dei job Dataflow in esecuzione utilizzano lo stesso temp_location per archiviare i file di job temporanei creati durante l'esecuzione della pipeline. Quando più job simultanei condividono lo stesso temp_location, questi job potrebbero penetrare sui dati temporanei l'uno dell'altro e potrebbe verificarsi una race condition. Per evitare questo problema, ti consigliamo di utilizzare un temp_location univoco per ogni job.

Dataflow non è in grado di determinare il backlog

Quando esegui una pipeline in modalità flusso da Pub/Sub, si verifica il seguente avviso:

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

Quando una pipeline Dataflow estrae i dati da Pub/Sub, Dataflow deve richiedere ripetutamente informazioni a Pub/Sub. Queste informazioni includono la quantità di backlog della sottoscrizione e l'età del messaggio non confermato meno recente. A volte Dataflow non è in grado di recuperare queste informazioni da Pub/Sub a causa di problemi interni del sistema, il che potrebbe causare un accumulo temporaneo di 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 seguenti errori:

DEADLINE_EXCEEDED

Oppure:

Server Unresponsive

In genere questi errori si verificano per uno dei seguenti motivi:

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

  In alcuni casi, i worker 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 utilizzando 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 bloccata. 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 regole gcloud compute firewall-rules create per consentire il traffico di rete alle porte 12345 e 12346. L'esempio seguente mostra 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 sui servizi, passa all'utilizzo di Dataflow Shuffle basato su servizi impostando --experiments=shuffle_mode=service. Per maggiori dettagli e disponibilità, consulta Dataflow Shuffle.
  • Aggiungi altri lavoratori. Prova a impostare --numWorkers con un valore maggiore 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 sui servizi, passa all'utilizzo di Dataflow Shuffle basato su servizi impostando --experiments=shuffle_mode=service. Per maggiori dettagli e disponibilità, consulta Dataflow Shuffle.
  • Aggiungi altri lavoratori. Prova a impostare --num_workers con un valore maggiore 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 --worker_disk_type="compute.googleapis.com/projects/PROJECT_ID/zones/ZONE/diskTypes/pd-ssd" quando esegui la pipeline.

  Go

  • Se il job non utilizza lo shuffle basato sui servizi, passa all'utilizzo di Dataflow Shuffle basato su servizi impostando --experiments=shuffle_mode=service. Per maggiori dettagli e disponibilità, consulta Dataflow Shuffle.
  • Aggiungi altri lavoratori. Prova a impostare --num_workers con un valore maggiore 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 da componenti comuni di terze parti. Questi componenti importano dipendenze aggiuntive. Le collisioni di versioni possono causare un comportamento imprevisto nel servizio. Inoltre, alcune librerie non sono compatibili con il forwarding. Durante l'esecuzione, potresti dover bloccare le versioni elencate nell'ambito. Dipendenze SDK e worker contiene un elenco di dipendenze e le relative versioni richieste.

Errore durante l'esecuzione di LookupEffectiveGuestPolicy

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 il problema, disabilita i criteri di VM Manager applicabili all'intero progetto. Se non è possibile disabilitare i criteri di VM Manager per l'intero progetto, puoi ignorare questo errore ed escluderlo dagli strumenti di monitoraggio dei log.

Pool di risorse esaurite

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 in caso di condizioni temporanee di esaurimento scorte per una risorsa specifica in una zona specifica.

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

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 JNI (Java Native Interface) per eseguire codice non Java e se il codice o le associazioni JNI contengono un errore.

Errore chiave dell'attributo googclient_deliveryattempt

Il job Dataflow ha esito negativo e genera 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).

Oppure:

Invalid extensions name: googclient_deliveryattempt

Questo errore si verifica quando il job Dataflow ha le seguenti caratteristiche:

• Il job Dataflow utilizza Streaming Engine.
• La pipeline ha un sink Pub/Sub.
• La pipeline utilizza una sottoscrizione pull.
• La pipeline utilizza una delle API di servizio Pub/Sub per pubblicare i messaggi invece di utilizzare il sink di I/O Pub/Sub integrato.
• Pub/Sub utilizza la libreria client Java o C#.
• La sottoscrizione Pub/Sub ha un argomento messaggi non recapitabili.

Questo errore si verifica perché quando utilizzi la libreria client Java o C# di Pub/Sub e viene attivato un argomento messaggi non recapitabili per una sottoscrizione, i tentativi di recapito si trovano nell'attributo del messaggio googclient_deliveryattempt anziché nel campo delivery_attempt. Per ulteriori informazioni, consulta Monitorare i tentativi di recapito nella pagina "Gestire gli errori relativi ai messaggi".

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

• Disabilita Streaming Engine.
• Utilizza il connettore PubSubIO Apache Beam integrato anziché l'API del servizio Pub/Sub.
• Utilizza un tipo di sottoscrizione Pub/Sub diverso.
• Rimuovi l'argomento messaggi non recapitabili.
• Non utilizzare la libreria client Java o C# con la sottoscrizione pull Pub/Sub. Per altre opzioni, consulta Esempi di codice delle librerie client.
• Nel codice della pipeline, quando le chiavi degli attributi iniziano con goog, cancella gli attributi dei messaggi prima di pubblicarli.

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 chiave di scelta rapida. Una chiave di scelta rapida è una chiave con elementi sufficienti a influire negativamente sulle prestazioni della pipeline. Queste chiavi limitano la capacità di Dataflow di elaborare elementi in parallelo, aumentando il tempo di esecuzione.

Per stampare la chiave leggibile nei log quando viene rilevata una chiave di scelta rapida nella pipeline, utilizza l'opzione pipeline della chiave di scelta rapida.

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

• Richiave i dati. Applica una trasformazione ParDo per produrre nuove coppie chiave-valore.
• Per i job Java, utilizza la trasformazione Combine.PerKey.withHotKeyFanout.
• Per i job Python, utilizza la trasformazione CombinePerKey.with_hot_key_fanout.
• Attiva Dataflow Shuffle.

Per visualizzare le chiavi di scelta rapida nell'interfaccia di monitoraggio di Dataflow, consulta Risolvere i problemi relativi agli elementi 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 questo problema, abilita l'API Data Catalog nel progetto Google Cloud che stai utilizzando 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 da parte del grafico del job. 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 worker remoti.
• Un DoFn è un'istanza di classe interna anonima che (probabilmente inavvertitamente) estrae una grande quantità di dati da serializzare.
• Un grafo diretto aciclico (DAG) viene utilizzato come parte di un loop programmatico che enumera un elenco di grandi dimensioni.

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

Commit chiave troppo grande

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

KeyCommitTooLargeException

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

Per ridurre le probabilità di riscontrare questo errore, utilizza le seguenti strategie:

• Assicurati che l'elaborazione di un singolo elemento non possa generare output o modifiche dello stato che superino il limite.
• Se più elementi sono stati raggruppati in base a una chiave, valuta la possibilità di aumentare lo spazio delle chiavi per ridurre il numero di elementi raggruppati per chiave.
• Se gli elementi di una chiave vengono emessi con una frequenza elevata in un breve periodo di tempo, potrebbero verificarsi molti GB di eventi per quella chiave nelle finestre. Riscrivi la pipeline per rilevare chiavi come questa ed emettere solo un output che indichi che la chiave era spesso presente in quella finestra.
• Utilizza le trasformazioni Combine dello spazio sublineare per le operazioni commutative e associate. Non utilizzare un combinatore se non riduce lo spazio. Ad esempio, il combinatore per le stringhe che si limitano ad accodare le stringhe è peggiore rispetto all'utilizzo di un combinatore.

Rifiuto dei messaggi di dimensioni superiori a 7168.000

Quando esegui un job Dataflow creato da un modello, il job potrebbe avere esito negativo e restituire 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 non recapitabili superano il limite di dimensioni di 7168 K. Come soluzione alternativa, abilita Streaming Engine, che ha un limite di dimensioni più elevato. Per abilitare Streaming Engine, utilizza la seguente opzione 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 quando invii il job, la rappresentazione JSON della pipeline supera la dimensione massima della richiesta di 20 MB.

La dimensione del job è legata alla rappresentazione JSON della pipeline. Una pipeline più grande significa una richiesta più grande. Dataflow ha una limitazione che limita le richieste a 20 MB.

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

Java

--dataflowJobFile=PATH_TO_OUTPUT_FILE

Python

--dataflow_job_file=PATH_TO_OUTPUT_FILE

Go

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

Questo comando scrive una rappresentazione JSON del job in un file. Le dimensioni del file serializzato sono una buona stima delle dimensioni della richiesta. Le dimensioni effettive sono leggermente maggiori a causa di alcune informazioni aggiuntive incluse nella richiesta.

Determinate condizioni nella pipeline possono far sì che la rappresentazione JSON superi 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 worker remoti.
• Un DoFn è un'istanza di classe interna anonima che (probabilmente inavvertitamente) estrae 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 del superamento dei limiti di metadati di Compute Engine. Questi limiti non possono essere modificati. Dataflow utilizza i metadati di Compute Engine per le opzioni della pipeline. Il limite è documentato nelle limitazioni dei metadati personalizzati di Compute Engine.

Nei seguenti scenari, la rappresentazione JSON può superare il limite:

• Troppi file JAR da inserire nello stage.
• Il campo della richiesta sdkPipelineOptions è troppo grande.

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

Java

--dataflowJobFile=PATH_TO_OUTPUT_FILE

Python

--dataflow_job_file=PATH_TO_OUTPUT_FILE

Go

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

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

Puoi ottenere una stima approssimativa dell'opzione di metadati personalizzati per l'istanza VM eseguendo job Dataflow nel progetto. Scegli un job Dataflow in esecuzione. Prendi un'istanza VM e poi vai alla pagina dei dettagli dell'istanza VM di Compute Engine per quella VM per controllare la sezione dei metadati personalizzati. La lunghezza totale dei metadati personalizzati e del file deve essere inferiore a 512 kB. Non è possibile ottenere una stima accurata per il job non riuscito, perché le VM non vengono avviate per i job non riusciti.

Se il tuo elenco JAR sta raggiungendo il limite di 256 kB, controllalo e riduci eventuali file JAR non necessari. Se è ancora troppo grande, prova a eseguire il job Dataflow usando un'uber JAR. Per un esempio che mostra come creare e utilizzare Uber JAR, consulta Creare ed eseguire il deployment di Uber JAR.

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

--experiments=no_display_data_on_gce_metadata

Chiave 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 per un determinato (Co-)GroupByKey è troppo grande dopo l'applicazione del programmatore corrispondente. Dataflow ha un limite per le chiavi di shuffle serializzate.

Per risolvere il problema, riduci la dimensione delle chiavi o utilizza programmatori che risparmiano più spazio.

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

Il numero totale di oggetti BoundedSource ... è maggiore del 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

Oppure:

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

Java

Questo errore può verificarsi se stai leggendo un numero molto elevato di file utilizzando TextIO, AvroIO, BigQueryIO tramite ESPORTA o qualche altra origine basata su file. Il limite specifico dipende dai dettagli dell'origine, ma è nell'ordine di decine di migliaia di file in una pipeline. Ad esempio, l'incorporamento dello schema in AvroIO.Read consente meno 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 occupano più di 20 MB quando sono serializzati.

Il limite consentito per la dimensione totale degli oggetti BoundedSource generati dall'operazione splitIntoBundles() dell'origine personalizzata è 20 MB.

Per aggirare questa limitazione, apporta una delle seguenti modifiche:

1. Attiva Runner V2. Runner v2 converte le origini in DoFn suddibili che non hanno questo limite di suddivisione.

2. Modifica la sottoclasse BoundedSource personalizzata in modo che la dimensione totale degli oggetti BoundedSource generati sia inferiore al limite di 20 MB. Ad esempio, l'origine potrebbe generare inizialmente meno suddivisioni e utilizzare il 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 in locale, ad esempio quando utilizzi DirectRunner.

Questo errore si verifica se DoFn utilizza valori nello spazio dei nomi globale che non sono disponibili nel 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 gli DoFn sono definiti nel file principale e le importazioni e le funzioni di riferimento nello spazio dei nomi globale, imposta l'opzione della pipeline --save_main_session su True. Questa modifica seleziona lo stato dello spazio dei nomi globale e lo carica nel worker Dataflow.

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

Ad esempio, invece di:

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

usa:

def myfunc():
  import re
  # use re module

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

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

Go

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 in attesa del completamento di un'operazione esterna lenta.
• Il codice DoFn potrebbe essere bloccato, bloccato o insolitamente lento per terminare l'elaborazione.

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

Se la pipeline è basata sulla VM Java (utilizzando Java o Scala), puoi esaminare la causa del codice bloccato. Esegui un dump completo dei thread dell'intera JVM (non solo del 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, trova l'istanza Compute Engine con il nome 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, si verificano i seguenti errori:

429 (rateLimitExceeded)

Oppure:

Request was throttled due to user QPS limit being reached

Questi errori si verificano se il progetto ha una quota Pub/Sub insufficiente.

Per sapere se la quota del progetto non è sufficiente, segui questi passaggi per verificare la presenza di 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 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 si trova all'esterno del perimetro di servizio.

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

Il pacchetto temporaneo non è accessibile

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

Staged package...is inaccessible

Per risolvere il problema:

• Verifica che il bucket Cloud Storage utilizzato per la gestione temporanea non abbia impostazioni TTL che causano l'eliminazione dei pacchetti temporanei.

• Verifica che l'account di servizio worker del progetto Dataflow disponga dell'autorizzazione per accedere al bucket Cloud Storage utilizzato per la gestione temporanea. 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.
  • Il bucket Cloud Storage utilizzato per la gestione temporanea è stato migrato dall'accesso granulare ad accesso uniforme a livello di bucket. A causa dell'incoerenza tra i criteri IAM e ACL, la migrazione del bucket gestione temporanea all'accesso uniforme a livello di bucket non consente l'utilizzo degli ACL per le risorse di Cloud Storage. Gli ACL includono le autorizzazioni dell'account di servizio worker del progetto Dataflow per il bucket gestione temporanea.

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

Un elemento di lavoro ha avuto esito negativo per 4 volte

L'errore seguente si verifica in caso di errore di un job batch:

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

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

Durante l'esecuzione in modalità flusso di dati, un bundle che include un elemento in errore viene ritentato a tempo indeterminato, il che potrebbe causare il blocco permanente della pipeline.

Non puoi configurare questa soglia di errore. Per ulteriori dettagli, consulta la pagina sulla gestione degli errori della pipeline e delle eccezioni.

Per risolvere il problema, cerca i quattro singoli errori nei log di Cloud Monitoring del job. Nei log del worker, cerca le voci di log a livello di errore o a livello di errore irreversibile che mostrano eccezioni o errori. L'eccezione o l'errore deve apparire almeno quattro volte. Se i log contengono solo errori di timeout generici relativi all'accesso alle risorse esterne, ad esempio MongoDB, verifica che l'account di servizio worker disponga dell'autorizzazione per accedere alla subnet della risorsa.

Timeout nel file dei risultati di polling

In caso di errore di un job, 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 le dipendenze Python vengono installate mediante il file requirements.txt. Lo stager Apache Beam scarica l'origine di tutte le dipendenze da PyPi, incluse le origini delle dipendenze transitive. Quindi, la compilazione wheel viene eseguita 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 la pagina sul monitoraggio di questo problema da parte del team Apache Arrow. La soluzione alternativa suggerita è installare apache-beam direttamente nel Dockerfile. In questo modo, il timeout per il file requirements.txt non viene applicato.

Scrittura/scrittura/scrittura/scrittura corretta del file/preFinalizzazione 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 la stessa sottocartella viene utilizzata come posizione di archiviazione temporanea per più job eseguiti contemporaneamente.

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

Archivia errori del job

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

Nessun valore fornito

Quando provi ad archiviare un job Dataflow utilizzando l'API, potrebbe verificarsi il seguente 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 è nel 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 il comando che passi all'API corrisponda al 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, potrebbe verificarsi il seguente 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 un valore 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 che passi all'API corrisponda al formato richiesto. Per maggiori dettagli, consulta Archiviare un job.

Impossibile aggiornare stato e 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 provi ad aggiornare sia lo stato del job sia lo stato dell'archivio nella stessa chiamata 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, potrebbe verificarsi il seguente 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 stati dei job:

• JOB_STATE_CANCELLED
• JOB_STATE_DRAINED
• JOB_STATE_DONE
• JOB_STATE_FAILED
• JOB_STATE_UPDATED

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

Errori nell'immagine container

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

Unable to pull container image due to error: DETAILED_ERROR_MESSAGE

Autorizzazione "containeranalysis.instances.list" negata

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"]

per l'analisi delle vulnerabilità è necessaria l'API Container Analysis.

Nota: questa API viene abilitata automaticamente dall'API Container Scanning.

Per ulteriori informazioni, consulta Panoramica dell'analisi 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 uno dei container Docker nel pod non si avvia. Se l'errore non è recuperabile, il worker Dataflow non può essere avviato e i job batch di Dataflow hanno esito negativo 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 container ha un arresto anomalo continuo durante l'avvio.

Nota: se viene visualizzato un errore Dataflow job appears to be stuck quando un singolo worker viene avviato ripetutamente e poi arrestato dopo alcuni minuti, è probabile che il problema sia dovuto a un problema di rete. Per maggiori informazioni, vedi Il singolo worker viene avviato e arrestato ripetutamente.

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 questi 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 e poi su Mostra voci corrispondenti.

In Esplora log, i log di Dataflow sono organizzati in diversi flussi di log. Il messaggio Error syncing pod viene emesso nel log denominato kubelet. Tuttavia, i log del container in errore potrebbero trovarsi in un flusso di log diverso. Ogni container ha un nome. Usa la tabella seguente per determinare quale flusso di log potrebbe contenere 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 su Esplora log, assicurati che la query includa i nomi dei log pertinenti nell'interfaccia di Query Builder o che non abbia limitazioni sul nome del log.

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

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

Le cause tipiche degli errori dei container includono quanto segue:

1. La pipeline Python ha dipendenze aggiuntive che vengono installate in fase di runtime e l'installazione non è riuscita. Potresti visualizzare errori quali pip install failed with error. Questo problema può verificarsi a causa di requisiti in conflitto o di una configurazione di rete limitata che impedisce a un worker Dataflow di eseguire il pull di una dipendenza esterna da un repository pubblico su internet.

2. Un worker non funziona nel mezzo dell'esecuzione della pipeline a causa di un errore di memoria insufficiente. Potresti visualizzare un errore simile a 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, vedi Risolvere i problemi 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 dell'immagine non riuscita con errore.

4. Il container 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 verificare l'architettura dell'immagine container, esegui docker image inspect $IMAGE:$TAG e cerca la parola chiave Architecture. Se indica 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 con più architetture, consulta Creare un'immagine container con più architetture.

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

Richiesta di pull dell'immagine non riuscita con errore

Durante l'avvio del worker, nel log del worker o dei 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 estrarre 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 container 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 accedere all'immagine.
• Verifica che il pull delle immagini pubbliche possa essere eseguito localmente eseguendo docker pull $image da una macchina non autenticata.

Per immagini private o worker privati:

• Se utilizzi Container Registry per l'hosting dell'immagine container, ti consigliamo di usare invece Artifact Registry. A partire dal 15 maggio 2023, Container Registry è deprecato. Se utilizzi Container Registry, puoi eseguire la transizione ad Artifact Registry. Se le immagini si trovano in un progetto diverso da quello utilizzato per eseguire il job Google Cloud, configura il controllo dell'accesso per l'account di servizio Google Cloud predefinito.
• Se utilizzi un VPC condiviso, assicurati che i worker possano accedere all'host del repository del container personalizzato.
• 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 presentano errori più volte di seguito a causa di questo errore e il job è stato avviato, il job potrebbe non riuscire e restituire un errore simile al seguente messaggio:

Job appears to be stuck.

Se rimuovi l'accesso all'immagine mentre il job è in esecuzione, rimuovendo l'immagine stessa o revocando le credenziali dell'account di servizio del worker Dataflow o l'accesso a internet per accedere alle immagini, Dataflow registra solo gli errori. Dataflow non fallisce il job. Inoltre, Dataflow evita il malfunzionamento delle 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 riscontri problemi di superamento della quota Docker Hub per il pull di immagini pubbliche o per interruzioni generali dei repository di terze parti, valuta la possibilità di utilizzare Artifact Registry come repository di immagini.

Errore di sistema: codice operativo sconosciuto

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

SystemError: unknown opcode

Inoltre, l'analisi dello stack potrebbe includere

apache_beam/internal/pickler.py

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

Errori worker

Le seguenti sezioni contengono errori worker comuni che potresti riscontrare e i passaggi per risolverli.

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

Se una chiamata dal cablaggio di worker Java a un DoFn Python non va a buon fine, viene visualizzato un messaggio di errore pertinente.

Per esaminare l'errore, espandi la voce del log degli errori di Cloud Monitoring ed esamina il messaggio di errore e la traccia. Indica quale codice non è stato superato, così puoi correggerlo se necessario. Se ritieni che l'errore sia un bug in 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

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

Per risolvere il problema, vedi Spazio esaurito sul dispositivo.

Impossibile collegare il disco

Quando provi ad avviare un job Dataflow che utilizza VM C3 con Persistent Disk, il job non riesce e restituisce 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 VM C3 con un tipo di Persistent Disk non supportato. Per maggiori informazioni, consulta Tipi di disco 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

Go

disk_type=pd-ssd

Spazio esaurito sul dispositivo

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

No space left on device

Questo errore può verificarsi per uno dei seguenti motivi:

• L'archiviazione permanente dei worker esaurisce lo spazio libero per uno dei seguenti motivi:
  • Un job scarica grandi dipendenze in fase di runtime
  • Un job utilizza container personalizzati di grandi dimensioni
  • Un job scrive molti dati temporanei sul disco locale
• Quando utilizzi Dataflow Shuffle, Dataflow imposta una dimensione predefinita del disco inferiore. Di conseguenza, questo errore potrebbe verificarsi con lo spostamento dei job dalla modalità shuffle basata su worker.
• Il disco di avvio del worker si riempie perché sta registrando più di 50 voci al secondo.

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

Per visualizzare le risorse del disco associate a un singolo worker, cerca i dettagli delle istanze VM per le VM worker associate al tuo job. Parte dello spazio su disco viene occupata dal sistema operativo, dai programmi binari, dai log e dai container.

Per aumentare lo spazio su disco permanente o di avvio, regola l'opzione della pipeline per la dimensione del disco.

Tieni traccia dell'utilizzo dello spazio su disco nelle istanze VM worker tramite Cloud Monitoring. Per istruzioni su come eseguire la configurazione, consulta Ricevere metriche delle VM worker dall'agente Monitoring.

Per cercare problemi di spazio sul disco di avvio, visualizza l'output della porta seriale sulle istanze della VM worker e cerca messaggi come:

Failed to open system journal: No space left on device

Se hai molte istanze di VM worker, 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

Se utilizzi l'SDK Apache Beam per Python con Dataflow Runner V2 su macchine worker con molti core 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 pre-creare il tuo container Python. Questo passaggio può migliorare i tempi di avvio della VM e le prestazioni della scalabilità automatica orizzontale. Per utilizzare questa funzionalità, abilita l'API Cloud Build nel tuo progetto e invia la pipeline con il seguente parametro:

‑‑prebuild_sdk_container_engine=cloud_build.

Per ulteriori informazioni, consulta Dataflow Runner V2.

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

L'avvio del pool di worker nella zona non è riuscito a richiamare uno 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 worker Dataflow.
• La tua organizzazione ha dei vincoli che vietano alcuni aspetti del processo di creazione delle istanze VM, come l'account in uso o la zona target.

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

Esamina il log delle istanze VM

1. Vai al visualizzatore Cloud Logging
2. Nell'elenco a discesa Risorsa controllata, seleziona Istanza VM.
3. Nell'elenco a discesa Tutti i log, seleziona compute.googleapis.com/activity_log.
4. Analizza il log per individuare eventuali voci relative all'errore di creazione dell'istanza VM.

Verifica l'utilizzo delle quote di Compute Engine

1. Per visualizzare l'utilizzo delle risorse Compute Engine rispetto alle quote di Dataflow per la zona scelta come target, esegui questo comando:

   gcloud compute regions describe [REGION]

2. Controlla i risultati delle seguenti risorse per verificare se 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 pagina Criteri dell'organizzazione
2. Esamina i vincoli relativi a eventuali che potrebbero limitare la creazione di istanze VM per l'account in uso (per impostazione predefinita, l'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, disattiva gli indirizzi IP esterni per questo job. Per ulteriori informazioni sulla disattivazione degli indirizzi IP esterni, consulta Configurare l'accesso a internet e le regole del 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 lo spazio di scambio. 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 la seguente opzione di avvio della pipeline:

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

La modifica del tipo di worker potrebbe influire sui costi fatturati. Per ulteriori informazioni, consulta Risolvere i problemi di esaurimento della memoria di Dataflow.

Questo errore può verificarsi anche quando i dati contengono una chiave di scelta rapida. 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 sulle possibili soluzioni, consulta Scrittura di pipeline Dataflow pensando alla scalabilità.

Per ulteriori soluzioni al problema, consulta È stata rilevata una scorciatoia 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 globale interprete Python (GIL) in parti di codice ad alta intensità di calcolo che non accedono allo stato 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 estensioni come Cython e PyBind dispongono di primitive per controllare lo stato GIL. Puoi anche rilasciare manualmente il GIL e riacquisirlo prima di restituire il controllo all'interprete Python utilizzando le macro Py_BEGIN_ALLOW_THREADS e Py_END_ALLOW_THREADS. Per ulteriori informazioni, vedi Stato del thread e Blocco interprete globale nella documentazione Python.

Potrebbe essere possibile recuperare le analisi dello stack di un thread che contiene 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, Dataflow presuppone che ogni processo Python in esecuzione sui worker utilizzi in modo efficiente un core vCPU. Se il codice della pipeline ignora le limitazioni GIL, ad esempio utilizzando librerie implementate in C++, gli elementi di elaborazione potrebbero utilizzare risorse di più core vCPU e i worker potrebbero non ricevere abbastanza risorse della CPU. Per aggirare il problema, riduci il numero di thread sui worker.

Errori temporanei durante la pubblicazione nell'argomento

Quando il job di flusso 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 viene eseguito correttamente, questo errore è benigno e puoi ignorarlo. Dataflow proverà automaticamente a inviare i messaggi Pub/Sub con un ritardo di backoff.

Problemi di dipendenza Java

Classi e librerie incompatibili possono causare problemi di dipendenza Java. Quando la pipeline presenta problemi di dipendenza 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 in classpath utilizza una versione che non contiene il metodo corretto o quando la firma del metodo è stata modificata.
• NoSuchFieldError: questo errore si verifica quando la classe nel classpath utilizza una versione che non include un campo obbligatorio durante il runtime.
• FATAL ERROR in native method: questo errore si verifica quando non è possibile caricare correttamente una dipendenza integrata. Se utilizzi JAR in versione super (ombreggiata), non includere librerie che utilizzano firme (ad esempio Conscrypt) nello stesso JAR.

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

Se utilizzi l'SDK Apache Beam, per importare il BOM delle librerie corretto, utilizza 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 ulteriori informazioni, consulta Gestire le dipendenze della pipeline in Dataflow.

InaccessibilitàObjectException in JDK 17 e versioni successive

Quando esegui pipeline con la piattaforma Java, JDK (Standard Edition Development Kit) versione 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, sono necessarie le opzioni di Java Virtual Machine (JVM) a modulo aperto per accedere agli elementi interni JDK. In Java 16 e versioni successive, sono sempre necessarie opzioni JVM con modulo aperto per accedere agli elementi interni JDK.

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

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

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

Per saperne di più, consulta la documentazione del corso DataflowPipelineOptions.

Errori del connettore BigQuery

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

quotaExceeded

Quando utilizzi il connettore BigQuery per scrivere in BigQuery utilizzando inserimenti di flussi di dati, la velocità effettiva di scrittura è inferiore a quanto previsto e potrebbe verificarsi il seguente errore:

quotaExceeded

La velocità effettiva lenta potrebbe essere dovuta al fatto che la pipeline supera la quota disponibile di inserimento di flussi di dati BigQuery. In questo caso, i messaggi di errore relativi alla quota di BigQuery vengono visualizzati nei log del worker di Dataflow (cerca gli errori quotaExceeded).

Se visualizzi quotaExceeded di errori, per risolvere il problema:

• Quando utilizzi l'SDK Apache Beam per Java, imposta l'opzione sink BigQuery ignoreInsertIds().
• Se utilizzi l'SDK Apache Beam per Python, utilizza l'opzione ignore_insert_ids.

Queste impostazioni ti consentono di usufruire di una velocità effettiva di inserimento di flussi di dati flusso di dati BigQuery di 1 GB al secondo per progetto. Per ulteriori informazioni sulle avvertenze relative alla deduplicazione automatica dei messaggi, consulta la documentazione di BigQuery. Per aumentare la quota di inserimento di flussi di dati BigQuery superiore a 1 GBps, invia una richiesta tramite la console Google Cloud.

Se non vedi errori relativi alla quota nei log dei worker, il problema potrebbe essere che i parametri predefiniti relativi al raggruppamento o al batch non forniscono un parallelismo adeguato per la scalabilità della pipeline. Puoi modificare diverse configurazioni relative al connettore BigQuery di Dataflow per ottenere le prestazioni previste durante la scrittura in BigQuery utilizzando gli inserimenti di flussi di dati. Ad esempio, per l'SDK Apache Beam per Java, regola 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, mentre per le configurazioni disponibili nell'SDK Apache Beam per Python, consulta la trasformazione WriterToBigQuery.

rateLimitExceeded

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

rateLimitExceeded

Questo errore si verifica se a BigQuery vengono inviate troppe richieste API nell'arco di un breve periodo di tempo. BigQuery prevede limiti di quota a breve termine. La pipeline Dataflow può superare temporaneamente questa quota. In questo scenario, le richieste API dalla pipeline Dataflow a BigQuery potrebbero non riuscire, il che potrebbe causare errori di tipo rateLimitExceeded nei log del worker.

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

Errori vari

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

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 sottostante.

Esiste una richiesta di funzionalità per modificare il livello di questo messaggio da WARN a INFO. Per ulteriori informazioni, consulta Abbassare il livello di log degli errori di avvio 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 viene eseguito 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 riesce. Se il job ha esito positivo, la directory non era necessaria o Dataflow ha risolto il problema sottostante.

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

Oggetto non trovato: pipeline.pb

Quando si elencano le offerte di lavoro 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 gestione temporanea per il job.

Ignorare la sincronizzazione dei 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"

Oppure:

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 viene eseguito correttamente, questi errori non sono gravi e puoi ignorarli. Il messaggio container runtime status check may not have completed yet viene visualizzato 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 è stato avviato o riavviato di recente.

Quando il messaggio include PLEG is not healthy: pleg has yet to be successful, il kubelet attende che il generatore di eventi del ciclo di vita dei pod (PLEG) diventi integro prima di sincronizzare i pod. Il PLEG genera gli eventi usati dal kubelet per monitorare lo stato dei pod.

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

Suggerimenti

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