spark 源码分析之十三 -- SerializerManager剖析

对SerializerManager的说明：

它是为各种Spark组件配置序列化，压缩和加密的组件，包括自动选择用于shuffle的Serializer。spark中的数据在network IO 或 local disk IO传输过程中。都需要序列化。其默认的 Serializer 是 org.apache.spark.serializer.JavaSerializer，在一定条件下，可以使用kryo，即org.apache.spark.serializer.KryoSerializer。

 

支持的两种序列化方式

即值的类型是八种基本类型中一种或null或String，都会使用kryo，否则使用默认序列化方式，即java序列化方式。

 

它还负责读写Block流是否使用压缩：

 

数据流是否支持压缩

默认情况下：

其中，如果使用压缩，默认的压缩是 lz4， 可以通过参数 spark.io.compression.codec 来配置。它支持的所有压缩类型如下：

读写数据流如何支持压缩

其中，支持压缩的InputStream和OutputStream是对原来的InputStream和OutputStream做了包装。我们以LZ4BlockOutputStream为例说明。

调用如下函数返回支持压缩的OutputStream：

首先，LZ4BlockOutputStream的继承关系如下：

 

被包装的类被放到了FilterOutputStream类的out 字段中，如下：

outputStream核心方法就是write。直接来看LZ4BlockOutputStream的write方法：

 

其中buffer是一个byte 数组，默认是 32k，可以通过spark.io.compression.lz4.blockSize 参数来指定，在LZ4BlockOutputStream类中用blockSize保存。

 

重点看flushBufferedData方法：

 

方法内部实现思路如下：

外部写入到buffer中的数据经过compressor压缩到compressorBuffer中，然后再写入一些magic，最终将压缩的buffer写入到out中，write操作结束。

 

可见，数据的压缩是由 LZ4BlockOutputStream 负责的，压缩之后的数据被写入到目标outputStream中。