如果使用序列化技术,在执行序列化操作的时候很慢或者是序列化之后的数据量还是很大,那么会让分布式应用程序性能下降很多,spark自身就会在一些地方对数据进行序列化,比如shuffle写磁盘,还有就是如果我们算子函数使用了外部数据,(比如Java内置类型,或者自定义类型)那么也需要让其可序列化。 默认,spark使用了Java自身提供的序列化机制,基于objectoutputStream和objectinputstream,因为这种方式是Java原生提供的,很方便使用。但是Java序列化机制性能并不高,速度比较慢,序列化后的数据还是比较大,只要你的类实现了Serializable接口,那么都是可以序列化的。 spark支持使用Kryo类型来进行序列化,比Java序列化机制更快,而且序列化后的数据量更小。Kryo序列化机制之所以不是默认序列化机制的原因是,有些类型虽然实现了Seriralizable接口,但是它也不一定能够进行序列化;此外,如果你要得到最佳的性能,Kryo还要求你在Spark应用程序中,对所有你需要序列化的类型都进行注册。 如果要使用Kryo序列化机制,首先要用SparkConf设置一个参数,使用new SparkConf().set(“spark.serializer”, “org.apache.spark.serializer.KryoSerializer”)即可,即将Spark的序列化器设置为KryoSerializer。这样,Spark在内部的一些操作,比如Shuffle,进行序列化时,就会使用Kryo类库进行高性能、快速、更低内存占用量的序列化了。 使用Kryo时,它要求是需要序列化的类,是要预先进行注册的,以获得最佳性能——如果不注册的话,那么Kryo必须时刻保存类型的全限定名,反而占用不少内存。Spark默认是对Scala中常用的类型自动注册了Kryo的,都在AllScalaRegistry类中。 但是,比如自己的算子中,使用了外部的自定义类型的对象,那么还是需要将其进行注册。(实际上,下面的写法是错误的,因为counter不是共享的,所以累加的功能是无法实现的)val counter = new Counter();val numbers = sc.parallelize(Array(1, 2, 3, 4, 5))numbers.foreach(num => counter.add(num)); 如果要注册自定义的类型,那么就使用如下的代码,即可:
Scala版本:val conf = new SparkConf().setMaster(…).setAppName(…)conf.registerKryoClasses(Array(classOf[Counter] ))val sc = new SparkContext(conf)
Java版本:SparkConf conf = new SparkConf().setMaster(…).setAppName(…)conf.registerKryoClasses(Counter.class) 香港云主机JavaSparkContext sc = new JavaSparkContext(conf)优化Kryo类库的使用1、优化缓存大小如果注册的要序列化的自定义的类型,本身特别大,比如包含了超过100个field。那么就会导致要序列化的对象过大。此时就需要对Kryo本身进行优化。因为Kryo内部的缓存可能不够存放那么大的class对象。此时就需要调用SparkConf.set()方法,设置spark.kryoserializer.buffer.mb参数的值,将其调大。默认情况下它的值是2,就是说最大能缓存2M的对象,然后进行序列化。可以在必要时将其调大。比如设置为10。2、预先注册自定义类型虽然不注册自定义类型,Kryo类库也能正常工作,但是那样的话,对于它要序列化的每个对象,都会保存一份它的全限定类名。此时反而会耗费大量内存。因此通常都建议预先注册号要序列化的自定义的类。在什么场景下使用Kryo序列化类库 首先,这里讨论的都是Spark的一些普通的场景,一些特殊的场景,比如RDD的持久化 那么,这里针对的Kryo序列化类库的使用场景,就是算子函数使用到了外部的大数据的情况。比如说吧,我们在外部定义了一个封装了应用所有配置的对象,比如自定义了一个MyConfiguration对象,里面包含了100m的数据。然后,在算子函数里面,使用到了这个外部的大对象。 此时呢,如果默认情况下,让Spark用java序列化机制来序列化这种外部的大对象,那么就会导致,序列化速度缓慢,并且序列化以后的数据还是比较大,比较占用内存空间。因此,在这种情况下,比较适合,切换到Kryo序列化类库,来对外部的大对象进行序列化操作。一是,序列化速度会变快;二是,会减少序列化后的数据占用的内存空间。
这篇文章主要介绍了java数组的概念如何理解的相关知识,内容详细易懂 香港云主机,操作简单快捷,具有一定借鉴价值,相信大家阅读完这篇java数组的概念如何理解文章都会有所收获,下面我们一起来看看吧。1.概念所谓数组,是相同数据类型的元素按一定顺序排列的集合。2…
免责声明:本站发布的图片视频文字,以转载和分享为主,文章观点不代表本站立场,本站不承担相关法律责任;如果涉及侵权请联系邮箱:360163164@qq.com举报,并提供相关证据,经查实将立刻删除涉嫌侵权内容。