cloudera-agent启动File not found : /usr/sbin/cmf-agent解决办法(图文详解)

简介:

  问题详情    

bigdata@nssa-sensor1:~$  sudo  service  cloudera-scm-agent  start
File not found : /usr/sbin/cmf-agent

 

 

 

 

问题分析

    因为cloudera-scm-agent里面的变量路径配置不正确!

 

 

 

 

 

解决办法

  方法1:我这里,直接将另外agent机器(好的),然后通过scp命令,传了一份agent过来给有问题的agent机器。

  /usr/sbin/下即可。

我这有问题的机器是nssa-sensor1,则好的机器是nssa-sensor2。

在/usr/sbin下执行,sudo scp -r cmf-agent bigdata@nssa-sensor1:/usr/sbin

 

 同时,如果,在启动的过程中,还出现,如缺少

     /usr/lib/cmf/agent/build/env/下的bin目录,下的include目录,下的lib目录,下的local目录,也是按照scp方式来拷贝过来,的意见解决。

   

 

 

 

 

 

 

  方法2:

  找到,如下的配置文件

sudo vim /etc/init.d/cloudera-scm-server

 

  

  以下是默认的

 

 

   改为,如下

 

CMF_DEFAULTS=${CMF_DEFAULTS:-/etc/default}
改为=
CMF_DEFAULTS=/opt/cloudera-manager/cm-5.7.2/etc/default(这是别人的, 是适合另外一种安装方式)

 


此时service cloudera-scm-server start就不会报错了。


同时为了保证在每次服务器重启的时候都能启动cloudera-scm-agent,
应该在开机启动脚本/etc/rc.local中加入命令:service cloudera-scm-agent restart

 

 

 

  成功!


本文转自大数据躺过的坑博客园博客,原文链接:http://www.cnblogs.com/zlslch/p/7262861.html,如需转载请自行联系原作者


相关文章
|
监控
zabbix通过yum安装,启动报错zabbix-agent.service never wrote its PID file. Failing.
zabbix通过yum安装,启动报错zabbix-agent.service never wrote its PID file. Failing.
419 0
|
Java 应用服务中间件 Spring
Spring Loaded is a JVM agent for reloading class file changes
org.springframework.boot spring-boot-maven-plugin org.
1544 0
|
存储 人工智能 自然语言处理
AI经营|多Agent择优生成商品标题
商品标题中关键词的好坏是商品能否被主搜检索到的关键因素,使用大模型自动优化标题成为【AI经营】中的核心能力之一,本文讲述大模型如何帮助商家优化商品素材,提升商品竞争力。
1321 62
AI经营|多Agent择优生成商品标题
|
12月前
|
机器学习/深度学习 人工智能 自然语言处理
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
谷歌最新推出的Gemini 2.0是一款原生多模态输入输出的AI模型,以Agent技术为核心,支持多种数据类型的输入与输出,具备强大的性能和多语言音频输出能力。本文将详细介绍Gemini 2.0的主要功能、技术原理及其在多个领域的应用场景。
1151 20
Gemini 2.0:谷歌推出的原生多模态输入输出 + Agent 为核心的 AI 模型
|
12月前
|
人工智能 自然语言处理 前端开发
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
Director 是一个构建视频智能体的 AI 框架,用户可以通过自然语言命令执行复杂的视频任务,如搜索、编辑、合成和生成视频内容。该框架基于 VideoDB 的“视频即数据”基础设施,集成了多个预构建的视频代理和 AI API,支持高度定制化,适用于开发者和创作者。
608 9
Director:构建视频智能体的 AI 框架,用自然语言执行搜索、编辑、合成和生成等复杂视频任务
|
12月前
|
机器学习/深度学习 人工智能 算法
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
Meta Motivo 是 Meta 公司推出的 AI 模型,旨在控制数字智能体的全身动作,提升元宇宙体验的真实性。该模型通过无监督强化学习算法,能够实现零样本学习、行为模仿与生成、多任务泛化等功能,适用于机器人控制、虚拟助手、游戏角色动画等多个应用场景。
330 4
Meta Motivo:Meta 推出能够控制数字智能体动作的 AI 模型,提升元宇宙互动体验的真实性
|
人工智能 自然语言处理 JavaScript
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
Agent-E 是一个基于 AutoGen 代理框架构建的智能自动化系统,专注于浏览器内的自动化操作。它能够执行多种复杂任务,如填写表单、搜索和排序电商产品、定位网页内容等,从而提高在线效率,减少重复劳动。本文将详细介绍 Agent-E 的功能、技术原理以及如何运行该系统。
927 5
Agent-E:基于 AutoGen 代理框架构建的 AI 浏览器自动化系统
|
人工智能 自然语言处理 数据挖掘
田渊栋团队新作祭出Agent-as-a-Judge!AI智能体自我审判,成本暴跌97%
田渊栋团队提出Agent-as-a-Judge框架,利用智能体自身评估其他智能体的性能,不仅关注最终结果,还能提供中间反馈,更全面准确地反映智能体的真实能力。该框架在DevAI基准测试中表现出色,成本效益显著,为智能体的自我改进提供了有力支持。
337 7
|
人工智能 自然语言处理 搜索推荐
🤖【多Agent大爆炸】——灵活调用与实践指南,解锁AI协作新技能!
本文深入探讨了单Agent与多Agent在不同场景下的应用及优势,通过实例讲解多Agent如何实现高效协作,涵盖智能物流、教育、医疗等多个领域的实际应用,旨在帮助开发者掌握多Agent系统的调用与实践技巧。
1112 5
|
Python 机器学习/深度学习 人工智能
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣
【10月更文挑战第1天】本文通过构建一个简单的强化学习环境,演示了如何创建和训练智能体以完成特定任务。我们使用Python、OpenAI Gym和PyTorch搭建了一个基础的智能体,使其学会在CartPole-v1环境中保持杆子不倒。文中详细介绍了环境设置、神经网络构建及训练过程。此实战案例有助于理解智能体的工作原理及基本训练方法,为更复杂应用奠定基础。首先需安装必要库: ```bash pip install gym torch ``` 接着定义环境并与之交互,实现智能体的训练。通过多个回合的试错学习,智能体逐步优化其策略。这一过程虽从基础做起,但为后续研究提供了良好起点。
1947 4
手把手教你从零开始构建并训练你的第一个强化学习智能体:深入浅出Agent项目实战,带你体验编程与AI结合的乐趣