如果使用序列化技術(shù)，在執(zhí)行序列化操作的時(shí)候很慢或者是序列化之后的數(shù)據(jù)量還是很大，那么會(huì)讓分布式應(yīng)用程序性能下降很多，spark自身就會(huì)在一些地方對(duì)數(shù)據(jù)進(jìn)行序列化，比如shuffle寫磁盤，還有就是如果我們算子函數(shù)使用了外部數(shù)據(jù)，（比如Java內(nèi)置類型，或者自定義類型）那么也需要讓其可序列化。

公司專注于為企業(yè)提供成都做網(wǎng)站、網(wǎng)站設(shè)計(jì)、微信公眾號(hào)開發(fā)、電子商務(wù)商城網(wǎng)站建設(shè)，微信小程序定制開發(fā)，軟件按需開發(fā)等一站式互聯(lián)網(wǎng)企業(yè)服務(wù)。憑借多年豐富的經(jīng)驗(yàn)，我們會(huì)仔細(xì)了解各客戶的需求而做出多方面的分析、設(shè)計(jì)、整合，為客戶設(shè)計(jì)出具風(fēng)格及創(chuàng)意性的商業(yè)解決方案，創(chuàng)新互聯(lián)更提供一系列網(wǎng)站制作和網(wǎng)站推廣的服務(wù)。

   默認(rèn)，spark使用了Java自身提供的序列化機(jī)制，基于objectoutputStream和objectinputstream，因?yàn)檫@種方式是Java原生提供的，很方便使用。但是Java序列化機(jī)制性能并不高，速度比較慢，序列化后的數(shù)據(jù)還是比較大，只要你的類實(shí)現(xiàn)了Serializable接口，那么都是可以序列化的。

  spark支持使用Kryo類型來進(jìn)行序列化，比Java序列化機(jī)制更快，而且序列化后的數(shù)據(jù)量更小。Kryo序列化機(jī)制之所以不是默認(rèn)序列化機(jī)制的原因是，有些類型雖然實(shí)現(xiàn)了Seriralizable接口，但是它也不一定能夠進(jìn)行序列化；此外，如果你要得到最佳的性能，Kryo還要求你在Spark應(yīng)用程序中，對(duì)所有你需要序列化的類型都進(jìn)行注冊(cè)。

   如果要使用Kryo序列化機(jī)制，首先要用SparkConf設(shè)置一個(gè)參數(shù)，使用new SparkConf().set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")即可，即將Spark的序列化器設(shè)置為KryoSerializer。這樣，Spark在內(nèi)部的一些操作，比如Shuffle，進(jìn)行序列化時(shí)，就會(huì)使用Kryo類庫進(jìn)行高性能、快速、更低內(nèi)存占用量的序列化了。

  使用Kryo時(shí)，它要求是需要序列化的類，是要預(yù)先進(jìn)行注冊(cè)的，以獲得最佳性能——如果不注冊(cè)的話，那么Kryo必須時(shí)刻保存類型的全限定名，反而占用不少內(nèi)存。Spark默認(rèn)是對(duì)Scala中常用的類型自動(dòng)注冊(cè)了Kryo的，都在AllScalaRegistry類中。

   但是，比如自己的算子中，使用了外部的自定義類型的對(duì)象，那么還是需要將其進(jìn)行注冊(cè)。

（實(shí)際上，下面的寫法是錯(cuò)誤的，因?yàn)閏ounter不是共享的，所以累加的功能是無法實(shí)現(xiàn)的）

val counter = new Counter();

val numbers = sc.parallelize(Array(1, 2, 3, 4, 5))

numbers.foreach(num => counter.add(num));

  如果要注冊(cè)自定義的類型，那么就使用如下的代碼，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)

JavaSparkContext sc = new JavaSparkContext(conf)

優(yōu)化Kryo類庫的使用

1、優(yōu)化緩存大小

如果注冊(cè)的要序列化的自定義的類型，本身特別大，比如包含了超過100個(gè)field。那么就會(huì)導(dǎo)致要序列化的對(duì)象過大。此時(shí)就需要對(duì)Kryo本身進(jìn)行優(yōu)化。因?yàn)镵ryo內(nèi)部的緩存可能不夠存放那么大的class對(duì)象。此時(shí)就需要調(diào)用SparkConf.set()方法，設(shè)置spark.kryoserializer.buffer.mb參數(shù)的值，將其調(diào)大。

默認(rèn)情況下它的值是2，就是說大能緩存2M的對(duì)象，然后進(jìn)行序列化?？梢栽诒匾獣r(shí)將其調(diào)大。比如設(shè)置為10。

2、預(yù)先注冊(cè)自定義類型

雖然不注冊(cè)自定義類型，Kryo類庫也能正常工作，但是那樣的話，對(duì)于它要序列化的每個(gè)對(duì)象，都會(huì)保存一份它的全限定類名。此時(shí)反而會(huì)耗費(fèi)大量?jī)?nèi)存。因此通常都建議預(yù)先注冊(cè)號(hào)要序列化的自定義的類。

在什么場(chǎng)景下使用Kryo序列化類庫

  首先，這里討論的都是Spark的一些普通的場(chǎng)景，一些特殊的場(chǎng)景，比如RDD的持久化

   那么，這里針對(duì)的Kryo序列化類庫的使用場(chǎng)景，就是算子函數(shù)使用到了外部的大數(shù)據(jù)的情況。比如說吧，我們?cè)谕獠慷x了一個(gè)封裝了應(yīng)用所有配置的對(duì)象，比如自定義了一個(gè)MyConfiguration對(duì)象，里面包含了100m的數(shù)據(jù)。然后，在算子函數(shù)里面，使用到了這個(gè)外部的大對(duì)象。

  此時(shí)呢，如果默認(rèn)情況下，讓Spark用java序列化機(jī)制來序列化這種外部的大對(duì)象，那么就會(huì)導(dǎo)致，序列化速度緩慢，并且序列化以后的數(shù)據(jù)還是比較大，比較占用內(nèi)存空間。

因此，在這種情況下，比較適合，切換到Kryo序列化類庫，來對(duì)外部的大對(duì)象進(jìn)行序列化操作。一是，序列化速度會(huì)變快；二是，會(huì)減少序列化后的數(shù)據(jù)占用的內(nèi)存空間。

另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。

標(biāo)題名稱：spark性能優(yōu)化之使用高性能序列化類庫-創(chuàng)新互聯(lián)
URL分享：http://weahome.cn/article/djjpee.html