RDD中的函数传递(序列化问题)
在实际开发中我们往往需要自己定义一些对于RDD的操作,那么此时需要主要的是,初始化工作是在Driver端进行的,而实际运行程序是在Executor端进行的,这就涉及到了跨进程通信,是需要序列化的。下面我们看几个例子:
2.5.1 传递一个方法
package com.atguigu
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
class Search(qurey: String) extends java.io.Serializable{ // 必须加extends //java.io.Serializable 因为类初始化在Driver端 而在executor端确需要调用类中的方法
//因此涉及到了网络通信需要序列化
def isMatch(s:String):Boolean={
s.contains(qurey)
}
def getMatch1(rdd:RDD[String])={
rdd.filter(isMatch)
}
}
object serializeable {
def main(args: Array[String]): Unit = {
//1.初始化配置信息及SparkContext
val conf = new SparkConf().setMaster("local[*]").setAppName("serializeable")
val sc = new SparkContext(conf)
//2.创建一个RDD
val rdd:RDD[String] = sc.parallelize(Array("hadoop", "spark","hive"))
//3.创建一个Search对象
val search = new Search("h")
//4.运用第一个过滤函数并打印结果
search.getMatch1(rdd).collect().foreach(println)
}
}
注:在这个方法中所调用的方法isMatch()是定义在Search这个类中的,实际上调用的是this. isMatch(),this表示Search这个类的对象,程序在运行过程中需要将Search对象序列化以后传递到Executor端。
2.5.2 传递一个属性
package com.atguigu
import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD
class Search(qurey: String) extends {
//class Search(qurey: String) extends java.io.Serializable{
def isMatch(s:String):Boolean={
s.contains(qurey)
}
def getMatch1(rdd:RDD[String])={
rdd.filter(isMatch)
}
def getMatch2(rdd:RDD[String])={
val q = qurey
rdd.filter(x => x.contains(q))
}
}
object serializeable {
def main(args: Array[String]): Unit = {
//1.初始化配置信息及SparkContext
val conf = new SparkConf().setMaster("local[*]").setAppName("serializeable")
val sc = new SparkContext(conf)
//2.创建一个RDD
val rdd:RDD[String] = sc.parallelize(Array("hadoop", "spark","hive"))
//3.创建一个Search对象
val search = new Search("h")
//4.运用第一个过滤函数并打印结果
search.getMatch2(rdd).collect().foreach(println)
}
}
注:在这个方法中所调用的方法query是定义在Search这个类中的字段,实际上调用的是this. query,this表示Search这个类的对象,程序在运行过程中需要将Search对象序列化以后传递到Executor端。
解决方案
1)使类继承scala.Serializable即可。
class Search() extends Serializable{…}
2)将类变量query赋值给局部变量