spark kryo序列化怎么实现

这篇文章主要介绍“spark kryo序列化怎么实现”，在日常操作中，相信很多人在spark kryo序列化怎么实现问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答”spark kryo序列化怎么实现”的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

        广播大变量，每个executor可以对应一个blockmanager里面存着变量，虽然我们减少了网络传输，减少了内存占用整体空间，但是还可以进一步减小网络传输和内存占用空间，所以我们可以用kryo序列化机制！还可以进一步优化，优化这个序列化格式。

        默认情况下，Spark内部是使用Java的序列化机制，ObjectOutputStream / ObjectInputStream，对象输入输出流机制，来进行序列化这种默认序列化机制的好处在于，处理起来比较方便；也不需要我们手动去做什么事情，只是，你在算子里面使用的变量，必须是实现Serializable接口的，可序列化即可。但是缺点在于，默认的序列化机制的效率不高，序列化的速度比较慢；序列化以后的数据，占用的内存空间相对还是比较大。

        可以手动进行序列化格式的优化Spark支持使用Kryo序列化机制。Kryo序列化机制，比默认的Java序列化机制，速度要快，序列化后的数据要更小，大概是Java序列化机制的1/10。所以Kryo序列化优化以后，可以让网络传输的数据变少；在集群中耗费的内存资源大大减少。

Kryo序列化机制，一旦启用以后，会生效的几个地方：

• 算子函数中使用到的外部变量，肯定要传输的时候要序列化了

• 算子函数中使用到的外部变量，使用Kryo以后：优化网络传输的性能，可以优化集群中内存的占用和消耗，算子函数中用到了外部变量，会序列化，使用Kryo

• 持久化RDD时进行序列化，StorageLevel.MEMORY_ONLY_SER

• 持久化RDD，优化内存的占用和消耗；持久化RDD占用的内存越少，task执行的时候，创建的对象，就不至于频繁的占满内存，频繁发生GC。当使用了序列化的持久化级别时，在将每个RDD partition序列化成一个大的字节数组时，就会使用Kryo进一步优化序列化的效率和性能。

• shuffle

• shuffle：可以优化网络传输的性能在进行stage间的task的shuffle操作时，节点与节点之间的task会互相大量通过网络拉取和传输文件，此时，这些数据既然通过网络传输，也是可能要序列化的，就会使用Kryo。

  SparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

1. 在SparkConf中设置一个属性，spark.serializer，org.apache.spark.serializer.KryoSerializer类；

• Kryo之所以没有被作为默认的序列化类库的原因，就要出现了：主要是因为Kryo要求，如果要达到它的最佳性能的话，那么就一定要注册你自定义的类（比如，你的算子函数中使用到了外部自定义类型的对象变量，这时，就要求必须注册你的类，否则Kryo达不到最佳性能）。感觉很麻烦，所以没有默认。

• 注册你使用到的，需要通过Kryo序列化的，一些自定义类，SparkConf.registerKryoClasses()

  项目中的使用：
  .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
  .registerKryoClasses(new Class[]{CategorySortKey.class})

到此，关于“spark kryo序列化怎么实现”的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注亿速云网站，小编会继续努力为大家带来更多实用的文章！