spark性能優化之使用高性能序列化類庫

      如果使用序列化技術，在執行序列化操作的時候很慢或者是序列化之后的數據量還是很大，那么會讓分布式應用程序性能下降很多，spark自身就會在一些地方對數據進行序列化，比如shuffle寫磁盤，還有就是如果我們算子函數使用了外部數據，（比如Java內置類型，或者自定義類型）那么也需要讓其可序列化。

     默認，spark使用了Java自身提供的序列化機制，基于objectoutputStream和objectinputstream，因為這種方式是Java原生提供的，很方便使用。但是Java序列化機制性能并不高，速度比較慢，序列化后的數據還是比較大，只要你的類實現了Serializable接口，那么都是可以序列化的。

    spark支持使用Kryo類型來進行序列化，比Java序列化機制更快，而且序列化后的數據量更小。Kryo序列化機制之所以不是默認序列化機制的原因是，有些類型雖然實現了Seriralizable接口，但是它也不一定能夠進行序列化；此外，如果你要得到最佳的性能，Kryo還要求你在Spark應用程序中，對所有你需要序列化的類型都進行注冊。  

     如果要使用Kryo序列化機制，首先要用SparkConf設置一個參數，使用new SparkConf().set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")即可，即將Spark的序列化器設置為KryoSerializer。這樣，Spark在內部的一些操作，比如Shuffle，進行序列化時，就會使用Kryo類庫進行高性能、快速、更低內存占用量的序列化了。

    使用Kryo時，它要求是需要序列化的類，是要預先進行注冊的，以獲得最佳性能——如果不注冊的話，那么Kryo必須時刻保存類型的全限定名，反而占用不少內存。Spark默認是對Scala中常用的類型自動注冊了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象，那么還是需要將其進行注冊。

（實際上，下面的寫法是錯誤的，因為counter不是共享的，所以累加的功能是無法實現的）

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)

優化Kryo類庫的使用

1、優化緩存大小

如果注冊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field。那么就會導致要序列化的對象過大。此時就需要對Kryo本身進行優化。因為Kryo內部的緩存可能不夠存放那么大的class對象。此時就需要調用SparkConf.set()方法，設置spark.kryoserializer.buffer.mb參數的值，將其調大。

默認情況下它的值是2，就是說最大能緩存2M的對象，然后進行序列化。可以在必要時將其調大。比如設置為10。

2、預先注冊自定義類型

雖然不注冊自定義類型，Kryo類庫也能正常工作，但是那樣的話，對于它要序列化的每個對象，都會保存一份它的全限定類名。此時反而會耗費大量內存。因此通常都建議預先注冊號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，這里針對的Kryo序列化類庫的使用場景，就是算子函數使用到了外部的大數據的情況。比如說吧，我們在外部定義了一個封裝了應用所有配置的對象，比如自定義了一個MyConfiguration對象，里面包含了100m的數據。然后，在算子函數里面，使用到了這個外部的大對象。

    此時呢，如果默認情況下，讓Spark用java序列化機制來序列化這種外部的大對象，那么就會導致，序列化速度緩慢，并且序列化以后的數據還是比較大，比較占用內存空間。

因此，在這種情況下，比較適合，切換到Kryo序列化類庫，來對外部的大對象進行序列化操作。一是，序列化速度會變快；二是，會減少序列化后的數據占用的內存空間。