了解Spark的闭包及其序列化

Question

免责声明：刚刚开始和斯巴克玩。

我很难理解著名的“任务不可序列化”异常，但我的问题与我在SO上看到的问题有点不同（或者我认为是这样）。

我有一个很小的自定义RDD（TestRDD）。它有一个字段，用于存储类不实现序列化的对象（nonSerializable）。我已经设置了spark.serializer配置选项来使用Kryo。但是，当我在我的RDD上尝试Count（）时，我得到了以下结果：

Caused by: java.io.NotSerializableException: com.complexible.spark.NonSerializable
Serialization stack:
- object not serializable (class: com.test.spark.NonSerializable, value: com.test.spark.NonSerializable@2901e052)
- field (class: com.test.spark.TestRDD, name: mNS, type: class com.test.spark.NonSerializable)
- object (class com.test.spark.TestRDD, TestRDD[1] at RDD at TestRDD.java:28)
- field (class: scala.Tuple2, name: _1, type: class java.lang.Object)
- object (class scala.Tuple2, (TestRDD[1] at RDD at TestRDD.java:28,<function2>))
at org.apache.spark.serializer.SerializationDebugger$.improveException(SerializationDebugger.scala:40)
at org.apache.spark.serializer.JavaSerializationStream.writeObject(JavaSerializer.scala:46)
at org.apache.spark.serializer.JavaSerializerInstance.serialize(JavaSerializer.scala:100)
at org.apache.spark.scheduler.DAGScheduler.submitMissingTasks(DAGScheduler.scala:1009)
at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$submitStage(DAGScheduler.scala:933)

当我往里面看的时候。submitMissingTasks我看到它在我的RDD上使用了闭包序列化程序，这是Java序列化程序，而不是我期望的Kryo序列化程序。我已经读到Kryo在序列化闭包方面有问题，Spark总是使用Java序列化程序进行闭包，但我不太明白闭包是如何在这里发挥作用的。我在这里做的就是：

SparkConf conf = new SparkConf()
                         .setAppName("ScanTest")
                         .setMaster("local")
                         .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer");

JavaSparkContext sc = new JavaSparkContext(conf);

TestRDD rdd = new TestRDD(sc.sc());
System.err.println(rdd.count());

也就是说，没有映射程序或任何需要闭包序列化的东西。OTOH这是有效的：

sc.parallelize(Arrays.asList(new NonSerializable(), new NonSerializable())).count()

Kryo序列化程序按预期使用，不涉及闭包序列化程序。如果我没有将serializer属性设置为Kryo，这里也会出现异常。

我很感激任何关于闭包来自何处以及如何确保我可以使用Kryo序列化定制RDD的说明。

更新：这里是TestRDD及其不可序列化字段mNS：

class TestRDD extends RDD<String> {

    private static final ClassTag<String> STRING_TAG = ClassManifestFactory$.MODULE$.fromClass(String.class);

    NonSerializable mNS = new NonSerializable();

    public TestRDD(final SparkContext _sc) {
        super(_sc,
              JavaConversions.asScalaBuffer(Collections.<Dependency<?>>emptyList()),
              STRING_TAG);
    }

    @Override
    public Iterator<String> compute(final Partition thePartition, final TaskContext theTaskContext) {
        return JavaConverters.asScalaIteratorConverter(Arrays.asList("test_" + thePartition.index(),
                                                                     "test_" + thePartition.index(),
                                                                     "test_" + thePartition.index()).iterator()).asScala();
    }

    @Override
    public Partition[] getPartitions() {
        return new Partition[] {new TestPartition(0), new TestPartition(1), new TestPartition(2)};
    }

    static class TestPartition implements Partition {

        final int mIndex;

        public TestPartition(final int theIndex) {
            mIndex = theIndex;
        }

        public int index() {
            return mIndex;
        }
    }
}

Answer 1

当我查看DAGScheduler.submitMisSingTask时，我看到它在我的RDD上使用它的闭包序列化器，这是Java的序列化器，而不是我期望的Kryo序列化器。

SparkEnv支持两个序列化器，一个名为序列化器，用于数据的序列化、检查点、工作者之间的消息传递等，可在spark.serializer配置标志下使用。另一个名为closureSerializer，位于spark.closure.serializer下，用于检查您的对象实际上是可序列化的，并且可以为Spark配置

Kryo闭包序列化程序有一个使其无法使用的错误，你可以在SPARK-7708下看到这个错误（这可能是用Kryo 3.0.0修复的，但SPARK目前用Kryo 2.2.1上修复的特定版本的Chill修复的）。此外，对于Spark 2.0。JavaSerializer现在是固定的，而不是可配置的（您可以在这个pull请求中看到）。这意味着我们实际上要使用JavaSerializer来实现闭包序列化。

我们使用一个序列化器来提交任务，另一个序列化工作者之间的数据，这很奇怪吗？当然，但这就是我们所拥有的。

总而言之，如果您正在设置spark.serializer配置，或者使用SparkContext.registerKryoClass，您将在Spark中使用Kryo进行大部分序列化。话虽如此，为了检查给定的类是否可序列化以及任务是否可序列化给工作者，Spark将使用JavaSerializer。