详解 Spark 核心编程之 RDD 序列化

一、问题引出

object TestRDDSerializable {
    def main(args: Array[String]): Unit = {
        val sparkConf = new SparkConf().setMaster("local[*]").setAppName("ser")
        val sc = new SparkContext(sparkConf)
        
        val rdd = sc.makeRDD(List(1,2,3,4), 2)
        
        val user = new User()
        
        rdd.foreach(num => {
            println("age = " + (user.age + num))
        })
        
        /*
         结果：程序执行抛出异常 NotSerializableException
         分析：
          1.foreach 算子外部的执行是在 Driver 端，内部的操作是在 Executor 端执行
          2.foreach 算子的内部操作使用到了 user 对象的属性，所以 user 对象需要从 Driver 发送到 Executor，涉及到网络传输
          3.由于 User 类没有混入序列化特质，所以抛出异常
          4.解决方法：class User extends Serializable {} 或 case class User {}，样例类在编译时会自动混入序列化
        */
        
        println("=================")
        
        val rdd1 = sc.makeRDD(List[Int](), 2)
        
        val user1 = new User()
        
        rdd1.foreach(num => {
            println("age = " + (user1.age + num))
        })
        
        /*
         期望：由于rdd1没有数据，foreach 算子不会实际执行，即使 User 没有混入序列化也不会报错
         结果：程序执行抛出异常 NotSerializableException
         分析：
          1.RDD 算子中如果传递的是函数参数，则会涉及到闭包操作，内部会调用 sc.clean(f)
          2.clean 方法底层会进行闭包检测，其中就包含序列化的检测，如果检测到使用的对象没有混入序列化特质，就会抛出异常
        */
    }
}

class User {
    val age: Int = 30
}

二、Kryo 序列化框架

• 参考地址：https://github.com/EsotericSoftware/kryo

• 与 Java 序列化的对比：

  • Java 的序列化比较重，生成的文件字节比较多，而 Kryo 序列化是轻量级的，产生的字节较少，所以 Kryo 速度是 Serializable 的 10 倍
  • Java 的序列化中可以通过 transient 关键字限制不参与序列化的属性，而 transient 关键字在 Kryo 序列化中不产生作用

• 自定义 Kryo 序列化

  /*
  简单数据类型、数组和字符串类型已经在 Spark 内部使用 Kryo 来序列化
  */
  object TestKryoSerializable {
      def main(args: Array[String]): Unit = {
      	val conf = new SparkConf().setMaster("local[*]").setAppName("Ser")
          
          // 替换默认的序列化机制
          conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
          // 注册需要使用  kryo  序列化的自定义类，该类必须混入 Serializable 特质
          conf.registerKryoClasses(Array(classOf[Searcher]))
          
      	val sc = new SparkContext(conf)
          
      	val rdd: RDD[String] = sc.makeRDD(Array(
              "hello world", "hello spark", 
      		"kafka", "hive"
          ), 2)
          
      	val searcher = new Searcher("h")
          
      	val result: RDD[String] = searcher.getMatchedRDD1(rdd)
          
      	result.collect.foreach(println)
          
      }
  }
  
  case class Searcher(val query: String) { 
      def isMatch(s: String) = {
      	s.contains(query) // this.query
      }
      
      def getMatchedRDD1(rdd: RDD[String]) = {
      	rdd.filter(isMatch) 
      }
      
      def getMatchedRDD2(rdd: RDD[String]) = {
          val q = query
      	rdd.filter(_.contains(q))
      }
  }