前言:
object Operator_Action {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("test").setMaster("local[2]")
val sc = SparkContext.getOrCreate(conf)
val rdd = sc.makeRDD(List(1,2,3,4))
val user = new User()
rdd.foreach(num => println(user.age + num))
}
class User {
var age = 30
}
}
当我们创建一个自定义类的时候,运行时会报任务未序列化异常,提示User类未序列化。原因如下:
foreach是rdd的行动算子,算子外部的代码在Driver端执行。所以User类在Driver端构建。而在循环遍历的时候,代码在算子的内部,在Executor端执行println操作。
但是println的时候用到了Driver端的User类,需要将Driver端的User类传递到Executor端才能使用。User类需要在网络中传递,那么就需要序列化。
解决方法1:User类混入Serializable实现序列化。
object Operator_Action {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("test").setMaster("local[2]")
val sc = SparkContext.getOrCreate(conf)
val rdd = sc.makeRDD(List(1,2,3,4))
val user = new User()
rdd.foreach(num => println(user.age + num))
}
class User extends Serializable {
var age = 30
}
}
解决方法2:使用样例类
样例类在编译时,会自动混入序列化特质(实现可序列化接口)
object Operator_Action {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setAppName("test").setMaster("local[2]")
val sc = SparkContext.getOrCreate(conf)
val rdd = sc.makeRDD(List(1,2,3,4))
val user = new User()
rdd.foreach(num => println(user.age + num))
}
case class User() {
var age = 30
}
}
注意:
如果rdd中List没有传入任何参数,List为空,此时foreach循环按理来说应该不会运行。但此时运行依然报错。原因:
RDD算子中传递的函数包含闭包检测操作,会进行检测功能。
一、闭包检测
——什么是闭包检测
从计算的角度,算子以外的代码都是在Driver端执行,算子里面的代码都是在Executor端执行。那么在scala的函数式编程中,会导致算子内经常会用到算子外的函数,这样就形成了闭包的效果。如果使用的算子外的数据无法序列化,就意味着无法传值给Executor端执行,就会发生错误。
所以需要在执行任务计算前,检测闭包内的对象是否可以进行序列化,这个操作我们称之为闭包检测。
二、序列化方法和属性
从计算的角度,算子以外的代码都是在Driver端执行,算子里面的代码都是在Executor端执行。举例如下:
object Spark01_RDD_Serial {
def main(args: Array[String]): Unit = {
val conf = new SparkConf().setMaster("local").setAppName("WordCount")
val sc = new SparkContext(conf)
// 创建一个RDD
val rdd = sc.makeRDD(Array("hello world","hello spark","hive","spark"))
val search = new Search("h")
search.getMatch1(rdd).collect.foreach(println)
sc.stop()
}
// 查询对象
class Search(query:String){
def isMatch(s:String):Boolean = {
s.contains(query)
}
// 函数序列化案例
def getMatch1(rdd:RDD[String]):RDD[String] = {
rdd.filter(isMatch)
}
// 属性序列化案例
def getMatch2(rdd:RDD[String]):RDD[String] = {
rdd.filter(x=>x.contains(query))
}
}
}
这段代码运行会抛出异常:
Exception in thread "main" org.apache.spark.SparkException: Task not serializable
这是因为,类的构造参数其实是类的属性。query是Search的私有属性,在判断是否包含的时候会调用this.query。所以构造参数需要进行闭包检测,等同于类进行闭包检测。
// 属性序列化案例 def getMatch2(rdd:RDD[String]):RDD[String] = { val s = query rdd.filter(x=>x.contains(s))
除了混入特质,上面的报错也可以通过这种方式来解决。原因如下:
1. filter是RDD的方法,称之为算子,代码逻辑运行在executor端。
2. val s = query在driver端。
3. 算子中的s引用的是val变量s,s是字符串类型,字符串能够序列化,而s是getMatch2方法的局部变量,与Search类没有关系。所以使用变量s不需要Search类进行变化。
所以总而言之,就是两个思路:
一是序列化
二是想办法让这个属性与类剥离, 局部变量代替类的属性
三、Kryo序列化框架
Java的序列化能够序列化任何的类。但是比较重(序列化的时候会产生大量字节),序列化后,对象的提交也比较大。spark处于性能的考虑,2.0开始支持另一种Kryo序列化机制。Kryo速度是Serizlizable的10倍。当RDD在Shuffle数据的时候,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。
注意:即使使用了Kryo序列化,也要继承Serializable接口。
val conf = new SparkConf()
.setAppName("SerDemo")
.setMaster("local[*]")
// 替换默认的序列化机制
.set("spark.serializer","org.apache.spark.serializer.KryoSerializer")
// 注册需要使用kryo序列化的自定义类
.registerKryoClasses(Array(classOf[Searchers]))