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,就会导致算子内经常会用到算子外的数据,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,编译时会自动执行闭包检测。Scala2.12 版本后闭包编译方式发生了改变
实现可序列化的两种方式
1.继承Serializable接口
class User extends Serializable {
...
2.创建样例类,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)
case class User() {
...
Kryo 序列化框架
参考地址: https://github.com/EsotericSoftware/kryo
Java 的序列化能够序列化任何的类,但是因此而导致比较重(字节多),序列化后,对象的提交也比较大,不适合大数据,Spark 出于性能的考虑,Spark2.0 开始支持另外一种 Kryo 序列化机制,可大大减少序列化产生的字节数,Kryo 速度是 Serializable 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 Kryo 序列化,也要继承 Serializable 接口。
与Java序列化的不同点
1.Kryo 序列化产生字节数更少,因此传输时性能更好
2.Java序列化中不可序列化被transient关键字修饰的数据,Kryo可绕过这一规则