在Spark中自定义Kryo序列化输入输出API（转）

原文链接：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

}

读数据

　　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：

查看源代码

 

打印帮助

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

}