Apache DolphinScheduler中停止Spark作业失败问题分析与解决

问题背景

在使用Apache DolphinScheduler管理Spark作业时，用户发现无法通过平台成功停止运行在YARN上的Spark作业。虽然DolphinScheduler的任务实例状态显示为"已终止"，但实际上Spark作业仍在继续运行。手动执行生成的.kill文件可以成功停止作业，但在平台内操作却失败。

问题现象

当用户尝试通过DolphinScheduler停止Spark作业时，日志显示YARN应用终止失败，并抛出ExitCodeException，退出码为137（表示shell执行被中断）。有趣的是，当用户切换到开发模式，保留.kill文件并手动执行时，作业却能成功停止。

深入分析

初步排查

1. 权限问题：首先怀疑是文件执行权限问题，但检查发现即使用户权限不足，通过sh命令也能成功执行.kill文件。

2. 环境差异：手动执行与平台执行的差异主要在于执行用户不同（平台使用租户用户执行），但测试表明租户用户确实有执行权限。

3. sudo权限：检查发现引导用户(dolphinscheduler)拥有使用sudo -u切换用户的权限，排除了这方面的问题。

关键发现

通过Arthas工具进行调试时，发现了一个关键错误信息：

ERROR: Cannot execute /usr/hdp/current/hadoop/libexec/yarn-config.sh.

这表明执行过程中系统尝试加载yarn-config.sh配置文件但失败。进一步调查发现，这是由于HADOOP_HOME环境变量配置错误导致的。

根本原因

1. 环境依赖：虽然.kill文件本身只包含简单的yarn application -kill命令，但在执行过程中，YARN客户端会尝试加载yarn-config.sh来获取必要的环境变量配置。

2. 配置缺失：由于HADOOP_HOME环境变量配置错误，系统无法找到yarn-config.sh文件，导致命令执行失败。

3. 执行上下文差异：手动执行时可能继承了正确的环境变量，而通过DolphinScheduler执行时环境变量未被正确设置。

解决方案

1. 修复HADOOP_HOME：确保HADOOP_HOME环境变量正确指向Hadoop安装目录。

2. 验证配置：

   • 检查/usr/hdp/current/hadoop/libexec/yarn-config.sh文件是否存在
   • 确认该文件有可执行权限
   • 验证Hadoop相关环境变量配置正确

3. 环境变量传递：确保DolphinScheduler在执行任务时能正确传递必要的环境变量。

经验总结

1. 环境一致性：分布式任务调度系统对执行环境有严格要求，必须确保所有节点环境配置一致。

2. 错误排查：对于看似权限问题但实际是环境配置问题的场景，需要深入分析执行上下文差异。

3. 日志分析：善用调试工具(如Arthas)可以帮助发现表面错误信息下的根本原因。

4. YARN集成：与YARN集成时，不仅需要关注命令本身，还需要注意YARN客户端所需的各种配置文件和环境变量。

这个问题展示了在复杂分布式环境中，一个小配置问题可能导致功能异常。通过系统化的排查方法，最终定位并解决了这个影响作业停止功能的配置问题。