spark-kryo序列化(spark优化点)

原创
2016/10/29 19:14
阅读数 2.3K

        广播大变量,每个executor可以对应一个blockmanager里面存着变量,虽然我们减少了网络传输,减少了内存占用整体空间,但是还可以进一步减小网络传输和内存占用空间,所以我们可以用kryo序列化机制!还可以进一步优化,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,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,你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序列化机制,一旦启用以后,会生效的几个地方:

  • 算子函数中使用到的外部变量,肯定要传输的时候要序列化了
    • 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,算子函数中用到了外部变量,会序列化,使用Kryo
  • 持久化RDD时进行序列化,StorageLevel.MEMORY_ONLY_SER
    • 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。当使用了序列化的持久化级别时,在将每个RDD partition序列化成一个大的字节数组时,就会使用Kryo进一步优化序列化的效率和性能。
  • shuffle
    • shuffle:可以优化网络传输的性能在进行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。
      SparkConf.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

       

  1. 在SparkConf中设置一个属性,spark.serializer,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,就要出现了: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)。感觉很麻烦,所以没有默认。
  • 注册你使用到的,需要通过Kryo序列化的,一些自定义类,SparkConf.registerKryoClasses()
    项目中的使用:
    .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
    .registerKryoClasses(new Class[]{CategorySortKey.class})

     

展开阅读全文
打赏
2
6 收藏
分享
加载中
更多评论
打赏
0 评论
6 收藏
2
分享
返回顶部
顶部