Spark性能调优篇四之使用Kryo进行序列化操作

        接着上一篇文章，今天介绍一下通过使用Kryo这个东东来进一步降低网络IO的传输量和内存的占用率。在介绍Kryo之前，接下来我们先来对比一下默认的序列化和Kryo方式的序列化的性能（其实就是序列化后数据的体积）。

默认的序列化：基于Java语言的Spark程序中，默认使用了ObjectInputStream和ObjectOutputStream对对象进行序列化操作的。这种默认序列化机制的好处在于，处理起来比较方便；不需要我们手动去做什么事情，只是在算子里面使用的变量，必须是实现Serializable接口的，可序列化即可。

Kryo方式的序列化：Spark支持了Kryo序列化类库，采用Kryo对数据进行序列化操作可以大大降低数据体积，官方给出的数据是采用Kryo进行序列化比采用Java默认的序列化方式，性能高出后者10倍（官方提供的数据，没有正式测试过）。

        通过以上的对比，相信大家都很期待使用Kryo对数据进行序列化操作。在使用Kryo之前，我们需要明白在那些地方可以充分发挥Kryo序列化的作用；否则，即使启动了该功能，但并不能提升Spark作业的运行速度。主要有三个地方；

1、算子函数中使用到的外部变量（例如上一篇提到的随机抽取数据的map）

2、持久化RDD时进行序列化，StorageLevel.MEMORY_ONLY_SER 

3、shuffle阶段

        明确了以上的一些问题之后，我们看看在项目中是怎么的使用的吧。其实很简单，通过使用JavaSparkContext对象启用Kryo对数据进行序列化

sc.set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")

sc.registerKryoClasses(new Class[]{CategorySortKey.class})      /*CategorySortKey是一个例子*／

总结：使用Kryo进行数据的序列化是不是很简单；本片文章内容较短，在Spark项目中使用这个特性进行作业的优化也能够提升一定的效率。大家可以试着将其运用到自己的项目中去。本文到这里基本接近尾声，后续还会不断更新关于Spark作业优化的一些其他方式，欢迎关注。

如需转载，请注明：

z小赵 Spark性能调优篇四之使用Kryo进行序列化操作