RDD关键性能考量之 序列化格式

《Spark快速大数据分析》 

8.4.2 关键性能考量  序列化格式

当Spark需要通过网络传输数据，或是将数据写到磁盘上时，Spark需要把数据序列化为二进制格式。

序列化会在数据进行混洗操作时发生，此时有可能需要通过网络传输大量数据。

默认情况下，Spark会使用Java内建的序列化库。Spark也支持使用第三方序列化库Kryo，

可以提供比Java的序列化工具更短的序列化时间和更高压缩比的二进制表示，但不能直接序列化全部

类型的对象。几乎所有的应用都在迁移到Kryo后获得了更好的性能。

 

要使用Kryo序列化工具，需要设置spark.serializer为org.apache.spark.serializer.KryoSerializer。

为了获得最佳性能，还应该向Kryo注册想要序列化的类。注册类可以让Kryo避免把每个对象的完整的

类名写下来，成千上万条记录累计节省的空间相当可观。如果想强制要求这种注册，可以把

spark.kryo.registrationRequired设置为true，这样Kryo会在遇到未注册的类时抛出错误。

 

val conf = new SparkConf().setMaster("local").setAppName("testKryo")
    //使用Kryo序列化工具
    conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
    //严格要求注册类
    conf.set("spark.kryo.registrationRequired", "true")
    conf.registerKryoClasses(Array(classOf[MyClass], classOf[MyOtherClass]))
    val sc = new SparkContext(conf)

　　

不论是选用Kryo还是Java序列化，如果代码中引用到了一个没有扩展Java的Serializable接口的类，

你都会遇到NotSerializableException。在这种情况下，要查处引发问题的类是比较困难的，

因为用户代码会引用到许多不用的类。很多JVM都支持通过一个特别的选项来帮助

调试这一情况:"-Dsun.io.serialization.extended DebugInfo=true"。

可以通过设置spark-submit的--dirver-java-options和--executor-java-options标记来打开这个选项。

一旦找到了了有问题的类，最简单的解决方法是修改这个产生问题的类，需要采用一些高级的变通策略，

比如为这个类创建一个子类并实现Java的Externalizable接口，或者自定义Kryo的序列化行为。