在Spark中自定义Kryo序列化输入输出API

　在Spark中内置支持两种系列化格式：（1）、Java serialization；（2）、Kryo serialization。在默认情况下，Spark使用的是Java的ObjectOutputStream系列化框架，它支持所有继承java.io.Serializable的类系列化，虽然Java系列化非常灵活，但是它的性能不佳。然而我们可以使用Kryo 库来系列化，它相比Java serialization系列化高效，速度很快（通常比Java快10x），但是它不支持所有的系列化对象，而且要求用户注册类。

　　在Spark中，使用Kryo系列化比使用Java系列化更明智。在shuffling和caching大量数据的情况下，使用 Kryo系列化就变得非常重要。

　　虽然Kryo支持对RDD的cache和shuffle，但是在Spark中不是内置就显示提供使用Kryo将数据系列化到磁盘中的输入输出API，RDD中的saveAsObjectFile和SparkContext中的objectFile方法仅仅支持使用Java系列化。所以如果我们可以使用Kryo系列化将会变得很棒！

　　在这篇文章中，我将讨论如何自定义Kryo系列化输出输出相关API来将数据进行读写到磁盘中。

写数据

　　通常，我们使用rdd.saveAsObjectFile API将已经系列化的对象写入到磁盘中。下面的代码将展示如何使用我们自定义的saveAsObjectFile方法将已经使用kryo系列化的对象写入到磁盘中：

1 def saveAsObjectFile[T: ClassTag](rdd: RDD[T], path: String)

这个函数中参数rdd就是我们需要写的数据；path是数据保存的路径。

1 val kryoSerializer = new KryoSerializer(rdd.context.getConf)

　　KryoSerializer是Spark内部提供的用于提供操作Kryo的类。在上述代码中，我们创建了KryoSerializer对象，并从rdd.context.getConf中获取传进来的缓存大小。

1 rdd.mapPartitions(iter => iter.grouped(10)
2       .map(_.toArray))
3       .map(splitArray => {}

所有的objectFile 将会在HDFS上保存，我们对RDD中的每个分片进行遍历，然后将他们转换成Byte数组。

1 val kryo = kryoSerializer.newKryo()

　　对每个splitArray，我们首先创建了kryo实例，kryo是线程不安全的，所以我们在每个map操作中单独创建。当我们调用 kryoSerializer.newKryo()来创建新的kryo实例，他也会调用我们自定义的KryoRegistrator。

1 //create output stream and plug it to the kryo output
2 val bao = new ByteArrayOutputStream()
3 val output = kryoSerializer.newKryoOutput()
4 output.setOutputStream(bao)
5 kryo.writeClassAndObject(output, splitArray)
6 output.close()

一旦我们拥有kryo实例，我们就可以创建kryo输出对象，然后我们将类信息和对象写入到那个输出对象中。

1 val byteWritable = new BytesWritable(bao.toByteArray)
2       (NullWritable.get(), byteWritable)
3     }).saveAsSequenceFile(path)

　　我们在创建byteWritable的时候，包装了bytearray，然后保存成Sequence文件。使用那些代码我们就可以将Kryo对象写入到磁盘中。完整代码如下：

01 /**
02  * User: 过往记忆
03  * Date: 15-04-24
04  * Time: 上午07:24
05  * bolg: http://www.iteblog.com
06  * 本文地址：http://www.iteblog.com/archives/1328
07  * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货
08  * 过往记忆博客微信公共帐号：iteblog_hadoop
09  */
10
11   def saveAsObjectFile[T: ClassTag](rdd: RDD[T], path: String) {
12     val kryoSerializer = new KryoSerializer(rdd.context.getConf)
13
14     rdd.mapPartitions(iter => iter.grouped(10)
15       .map(_.toArray))
16       .map(splitArray => {
17       //initializes kyro and calls your registrator class
18       val kryo = kryoSerializer.newKryo()
19
20       //convert data to bytes
21       val bao = new ByteArrayOutputStream()
22       val output = kryoSerializer.newKryoOutput()
23       output.setOutputStream(bao)
24       kryo.writeClassAndObject(output, splitArray)
25       output.close()
26
27       // We are ignoring key field of sequence file
28       val byteWritable = new BytesWritable(bao.toByteArray)
29       (NullWritable.get(), byteWritable)
30     }).saveAsSequenceFile(path)
31   }

读

　　光有写没有读对我们来说仍然不完美。通常我们使用sparkContext中的objectFile API从磁盘中读取数据，这里我们使用自定义的objectFile API来读取Kryo对象文件。

01 def objectFile[T](sc: SparkContext, path: String, minPartitions: Int = 1)
02     (implicit ct: ClassTag[T]) = {
03     val kryoSerializer = new KryoSerializer(sc.getConf)
04     sc.sequenceFile(path, classOf[NullWritable], classOf[BytesWritable],
05        minPartitions)
06        .flatMap(x => {
07        val kryo = kryoSerializer.newKryo()
08        val input = new Input()
09        input.setBuffer(x._2.getBytes)
10        val data = kryo.readClassAndObject(input)
11        val dataObject = data.asInstanceOf[Array[T]]
12        dataObject
13     })
14   }

上面的步骤和写的步骤很类似，只不过这里我们使用的是input，而不是output。我们从BytesWritable中读取bytes数据，然后使用readClassAndObject API反序列化数据。

如何使用

　　下面例子使用上面介绍的两个方法来系列化和反序列化Person对象：

01 /**
02  * User: 过往记忆
03  * Date: 15-04-24
04  * Time: 上午07:24
05  * bolg: http://www.iteblog.com
06  * 本文地址：http://www.iteblog.com/archives/1328
07  * 过往记忆博客，专注于hadoop、hive、spark、shark、flume的技术博客，大量的干货
08  * 过往记忆博客微信公共帐号：iteblog_hadoop
09  */
10
11 // user defined class that need to serialized
12   class Person(val name: String)
13
14  def main(args: Array[String]) {
15
16     if (args.length < 1) {
17       println("Please provide output path")
18       return
19     }
20     val outputPath = args(0)
21
22     val conf = new SparkConf().setMaster("local").setAppName("kryoexample")
23     conf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
24     val sc = new SparkContext(conf)
25
26     //create some dummy data
27     val personList = 1 to 10000 map (value => new Person(value + ""))
28     val personRDD = sc.makeRDD(personList)
29
30     saveAsObjectFile(personRDD, outputPath)
31     val rdd = objectFile[Person](sc, outputPath)
32     println(rdd.map(person => person.name).collect().toList)
33   }

本博客文章除特别声明，全部都是原创！
尊重原创，转载请注明： 转载自过往记忆（http://www.iteblog.com/）
本文链接地址: 《在Spark中自定义Kryo序列化输入输出API》（http://www.iteblog.com/archives/1328）