apache-spark - 关于数据集中的 kryo 和 java 编码器的问题

Question

我正在使用 Spark 2.4 并引用 https://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-persistence

bean 类:

public class EmployeeBean implements Serializable {

    private Long id;
    private String name;
    private Long salary;
    private Integer age;

    // getters and setters

}

Spark 示例:

    SparkSession spark = SparkSession.builder().master("local[4]").appName("play-with-spark").getOrCreate();

    List<EmployeeBean> employees1 = populateEmployees(1, 1_000_000);

    Dataset<EmployeeBean> ds1 = spark.createDataset(employees1, Encoders.kryo(EmployeeBean.class));
    Dataset<EmployeeBean> ds2 = spark.createDataset(employees1, Encoders.bean(EmployeeBean.class));

    ds1.persist(StorageLevel.MEMORY_ONLY());
    long ds1Count = ds1.count();

    ds2.persist(StorageLevel.MEMORY_ONLY());
    long ds2Count = ds2.count();

我在 Spark Web UI 中寻找存储。有用的部分 -

ID  RDD Name                                           Size in Memory   
2   LocalTableScan [value#0]                           56.5 MB  
13  LocalTableScan [age#6, id#7L, name#8, salary#9L]   23.3 MB

几个问题:

• Kryo 序列化 RDD 的大小不应该小于 Java 序列化 RDD 而不是两倍以上吗？

• 我还尝试了 MEMORY_ONLY_SER() 模式，RDD 大小相同。 RDD 作为序列化的 Java 对象应该存储为每个分区的一个字节数组。持久化 RDD 的大小不应该小于反序列化的 RDD 吗？

• 在创建数据集时添加 Kryo 和 bean 编码器到底在做什么？

• 我可以重命名持久化 RDD 以提高可读性吗？

Answer 1

Shouldn't size of kryo serialized RDD be less than Java serialized RDD instead of more than double size?

如果您曾经使用过 Java 序列化(或 RDD)，那就对了。然而，这里不是这种情况。申请Encoders.javaSerialization时使用Java序列化它与 Encoders.kryo 一样，使用二进制序列化。

二进制序列化程序获取整个对象，使用通用序列化工具将其序列化，并将生成的字节数组存储为单个 DataFrame 列。结果对于优化器来说是不透明的(没有真正的存储优化，因为 blob 不能很好地压缩)，并且只能用于功能性(“强类型”API)。

Encoders.bean 是一个完全不同的野兽，非常类似于 Encoders.product .它利用类的结构，并反射(reflect)在模式中。因为它对各个字段进行编码，所以可以使用标准 Spark 方法有效地压缩列。因此存储内存要求较低。

与Spark Encoders: when to use beans()密切相关