聊一聊Spark序列化是干什么的？

系列化是干什么的？

序列化简单来说就保存对象在内存中的状态也可以说是实例化变量。这是Java提供的用来保存 Object state，一种保存对象状态的机制。只有实现了serializable接口的类的对象才能被实例化。Java中，一切都是对象，在分布式环境中经常需要将Object从这一端网络或设备传递到另一端。这就需要有一种可以在两端传输数据的协议。Java序列化机制就是为了解决这个问题而产生。

Spark为什么需要序列化？

Spark是分布式执行引擎，其核心抽象是弹性分布式数据集RDD，其代表了分布在不同节点的数据。Spark的计算是在Executor上分布式执行的，所以对象在执行中需要通过网络传输，或者持久化到本地磁盘的时候必须要经过序列化。

Spark序列化方式

分布式的程序存在着网络传输，无论是数据还是程序本身的序列化都是必不可少的。Spark自身提供两种序列化方式：

• Java序列化：这是Spark默认的序列化方式，使用Java的ObjectOutputStream框架，只要是实现了java.io.Serializable接口的类都可以，这种方式虽然通用但是性能差，占用的空间也比较大
• Kryo序列化：相比于Java序列化，Kryo更高效且序列化结果紧凑，占用空间小，但是不能序列化所有数据类型，且为更好的性能，需要在程序中注册需要序列化的类

注意：

1. Kryo不作为默认的序列化方式，是因为需要显式注册自定义的类型，自Spark2.0后，对于一些简单类型的rdd(AllScalaRegistrar默认注册了一些常用的基本类型)在shuffling时内部默认使用Kryo作序列化
2. 即使使用Kyro序列化，需要序列化的自定义类也要实现 Serializable接口。

Kryo的使用

在Spark中，为了更好的性能和使用更少的内存，建议使用Kryo序列化。

使用步骤：

1. 初始化SparkContext时指定使用Kryo序列化
2. 向Kryo注册自定义类(registerKryoClasses->org.apache.spark.serializer.KryoSerializer.classesToRegister)

示例：

val conf = new SparkConf().setMaster("local[*]").setAppName("Serial")
    // 声明序列化器为KryoSerializer
    .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")            // 注册要序列化的自定义类型
    .registerKryoClasses(Array(classOf[MyClass1],classOf[MyClass2],classOf[MyClass3]))
val sc = new SparkContext(conf)

官方文档：https://spark.apache.org/docs/latest/tuning.html

好了，今天就为大家分享到这里了。咱们下期见！

如果本文对你有帮助的话，欢迎点赞&收藏&分享，这对我继续分享&创作优质文章非常重要。感谢🙏🏻