關於Spark的序列化問題
本文主要從以下三個方面解釋Spark 應用中序列化問題 。
1、Java序列化含義。
2、Spark程式碼為什麼需要序列化。
3、如何解決Spark序列化問題。
1、Java序列化含義。
Spark是基於JVM執行的進行，其序列化必然遵守Java的序列化規則。
序列化就是指將一個物件轉化為二進位制的byte流（注意，不是bit流），然後以檔案的方式進行儲存或通過網路傳輸，等待被反序列化讀取出來。序列化常被用於資料存取和通訊過程中。
對於java應用實現序列化一般方法：
class實現序列化操作是讓class 實現Serializable介面，但實現該介面不保證該class一定可以序列化，因為序列化必須保證該class引用的所有屬性可以序列化。
這裡需要明白，static和transient修飾的變數不會被序列化，這也是解決序列化問題的方法之一，讓不能序列化的引用用static和transient來修飾。（static修飾的是類的狀態，而不是物件狀態，所以不存在序列化問題。transient修飾的變數，是不會被序列化到檔案中，在被反序列化後，transient變數的值被設為初始值，如int是0，物件是null）
此外還可以實現readObject()方法和writeObject()方法來自定義實現序列化。
2、Spark的transformation操作為什麼需要序列化。
Spark是分散式執行引擎，其核心抽象是彈性分散式資料集RDD，其代表了分佈在不同節點的資料。Spark的計算是在executor上分散式執行的，故使用者開發的關於RDD的map，flatMap，reduceByKey等transformation 操作（閉包）有如下執行過程：
- 程式碼中物件在driver本地序列化
- 物件序列化後傳輸到遠端executor節點
- 遠端executor節點反序列化物件
- 最終遠端節點執行
故物件在執行中需要序列化通過網路傳輸，則必須經過序列化過程。
3、如何解決Spark序列化問題。
如果出現NotSerializableException報錯，可以在spark-default.xml檔案中加入如下引數來開啟SerializationDebugger功能類，從而可以在日誌中打印出序列化出問題的類和屬性資訊。
spark.executor.extraJavaOptions -Dsun.io.serialization.extendedDebugInfo=true spark.driver.extraJavaOption -Dsun.io.serialization.extendedDebugInfo=true
對於scala語言開發，解決序列化問題主要如下幾點： 在Object中宣告物件 （每個class對應有一個Object） 如果在閉包中使用SparkContext或者SqlContext，建議使用SparkContext.get() and SQLContext.getActiveOrCreate() 使用static或transient修飾不可序列化的屬性從而避免序列化。
注：scala語言中，class的Object
對於java語言開發，對於不可序列化物件，如果本身不需要儲存或傳輸，則可使用static或trarnsient修飾；如果需要儲存傳輸，則實現writeObject()/readObject()使用自定義序列化方法。 此外注意
對於Spark Streaming作業，注意哪些操作在driver，哪些操作在executor。因為在driver端（foreachRDD）例項化的物件，很可能不能在foreach中執行，因為物件不能從driver序列化傳遞到executor端（有些物件有TCP連結，一定不可以序列化）。所以這裡一般在foreachPartitions或foreach運算元中來例項化物件，這樣物件在executor端例項化，沒有從driver傳輸到executor的過程。
dstream.foreachRDD { rdd => val where1 = “on the driver” rdd.foreach { record => val where2 = “on different executors” } } }