spark性能優(yōu)化之使用高性能序列化類庫

      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。

     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，就是說最大能緩存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)大量內(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的一些普通的場景，一些特殊的場景，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。