52.性能调优之Kryo序列化

本文为《Spark大型电商项目实战》 系列文章之一，主要介绍在实际项目中使用Kryo序列化的方式进行性能优化。

Kryo 序列化原因

在广播大变量进行优化后，还可以进一步优化，即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这种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序列化生效位置

Kryo序列化机制一旦启用以后，会在以下几个地方生效：
1. 算子函数中使用到的外部变量，会序列化，这时可以是用Kryo序列化机制；
2. 持久化 RDD 时进行序列化，比如StorageLevel.MEMORY_ONLY_SER，可以使用 Kryo 进一步优化序列化的效率和性能；
3、进行shuffle时，比如在进行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。

Kryo序列化优点

其实之前在“Kryo序列化生效位置”处已经提到了Kryo序列化的优点，这里总结一下，大致为：
1. 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；
2. 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；
3、shuffle：可以优化网络传输的性能。

实现Kryo序列化步骤

第一步，在 SparkConf中设置一个属性spark.serializer，使用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，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）。
第二步，注册你使用到的需要通过 Kryo 序列化的一些自定义类。

代码实现

在项目中，以CategorySortKey这个方法为例，在获取top10热门品类功能中，在进行二次排序时自定义了一个key，这个key是需要在进行 shuffle 的时候进行网络传输的，因此也是要求实现序列化的，启用 Kryo 序列化机制后就会用 Kryo 去序列化和反序列化 CategorySortKey，按上面讲的序列化步骤具体实现代码为：

        SparkConf conf = new SparkConf()
                .setAppName(Constants.SPARK_APP_NAME_SESSION)
                .setMaster("local")
                .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
                .registerKryoClasses(new Class[]{
                        CategorySortKey.class});   

《Spark 大型电商项目实战》源码：https://github.com/Erik-ly/SprakProject

本文为《Spark大型电商项目实战》系列文章之一,
更多文章：Spark大型电商项目实战：http://blog.csdn.net/u012318074/article/category/6744423