Spark Core快速入门系列(5) | RDD 中函数的传递

不温卜火

发布于 2020-10-28 16:59:42

6510

发布于 2020-10-28 16:59:42

文章被收录于专栏：不温卜火

我们进行 Spark 进行编程的时候, 初始化工作是在 driver端完成的, 而实际的运行程序是在executor端进行的. 所以就涉及到了进程间的通讯, 数据是需要序列化的.

RDD 中函数的传递

1. 传递函数

1. 创建传递函数

package day03

import org.apache.spark.{SparkConf, SparkContext}
import org.apache.spark.rdd.RDD

/**
 **
@author 不温卜火
 **
 * @create 2020-07-24 19:31
 **
 *         MyCSDN :https://buwenbuhuo.blog.csdn.net/
 */
//  创建的主程序
object Demo01 {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("Demo01").setMaster("local[*]")
    val sc = new SparkContext(conf)
    val rdd: RDD[String] = sc.parallelize(Array("hello world", "hello buwenbuhuo", "xia0li", "hahah"), 2)
    val searcher = new Searcher("hello")
    val result: RDD[String] = searcher.getMatchedRDD1(rdd)
    result.collect.foreach(println)
  }
}
//需求: 在 RDD 中查找出来包含 query 子字符串的元素

// 创建的类
// query 为需要查找的子字符串
class Searcher(val query: String){
  // 判断 s 中是否包括子字符串 query
  def isMatch(s : String) ={
    s.contains(query)
  }
  // 过滤出包含 query字符串的字符串组成的新的 RDD
  def getMatchedRDD1(rdd: RDD[String]) ={
    rdd.filter(isMatch)  //
  }
  // 过滤出包含 query字符串的字符串组成的新的 RDD
  def getMatchedRDD2(rdd: RDD[String]) ={
    rdd.filter(_.contains(query))
  }

}

2. 运行查看结果(会报错)

注意：直接运行程序会发现报错: 没有初始化. 因为rdd.filter(isMatch) 用到了对象this的方法isMatch, 所以对象this需要序列化,才能把对象从driver发送到executor.

3. 解决方案：让 Searcher 类实现序列化接口:Serializable

2. 传递变量

创建函数

package day03

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
 **
 *
*@author 不温卜火
 **
 * @create 2020-07-24 20:12
 **
 *         MyCSDN :https://buwenbuhuo.blog.csdn.net/
 */
object Demo02 {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf().setAppName("Demo02").setMaster("local[*]")
    val sc = new SparkContext(conf)
    val rdd: RDD[String] = sc.parallelize(Array("hello world", "hello buwenbuhuo", "xiaoli", "hahah"), 2)
    val searcher = new Searcher("hello")
    val result: RDD[String] = searcher.getMatchedRDD2(rdd)
    result.collect.foreach(println)
  }
  // query 为需要查找的子字符串
  class Searcher(val query: String)  {
    // 判断 s 中是否包括子字符串 query
    def isMatch(s: String) = {
      s.contains(query)
    }

    // 过滤出包含 query字符串的字符串组成的新的 RDD
    def getMatchedRDD2(rdd: RDD[String]) = {
      rdd.filter(_.contains(query))
    }
  }
}

2. 运行查看结果(会报错)

报错原因：这次没有传递函数, 而是传递了一个属性过去. 仍然会报错没有序列化. 因为this仍然没有序列化.

3. 解决方案：
1.让类实现序列化接口:Serializable

2.传递局部变量而不是属性

3. kryo 序列化框架

参考地址: https://github.com/EsotericSoftware/kryo

Java 的序列化比较重, 能够序列化任何的类. 比较灵活,但是相当的慢, 并且序列化后对象的体积也比较大. Spark 出于性能的考虑, 支持另外一种序列化机制: kryo (2.0开始支持). kryo 比较快和简洁.(速度是Serializable的10倍). 想获取更好的性能应该使用 kryo 来序列化. 从2.0开始, Spark 内部已经在使用 kryo 序列化机制: 当 RDD 在 Shuffle数据的时候, 简单数据类型, 简单数据类型的数组和字符串类型已经在使用 kryo 来序列化. 有一点需要注意的是: 即使使用 kryo 序列化, 也要继承 Serializable 接口.

1.代码案例

package day03

import org.apache.spark.rdd.RDD
import org.apache.spark.{SparkConf, SparkContext}

/**
 **
 *
*@author 不温卜火
 **
 * @create 2020-07-24 20:36
 **
 *         MyCSDN :https://buwenbuhuo.blog.csdn.net/
 */
object Demo03 {
  def main(args: Array[String]): Unit = {
    val conf: SparkConf = new SparkConf()
      .setAppName("Demo03")
      .setMaster("local[*]")
      // 替换默认的序列化机制 可以省(如果调用registerKryoClasses
      .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
      // 注册需要使用 kryo 序列化的自定义类
      .registerKryoClasses(Array(classOf[Searcher]))
    val sc = new SparkContext(conf)
    val rdd: RDD[String] = sc.parallelize(Array("hello world", "hello buwenbuhuo", "xiaoli", "hahah"), 2)
    val searcher = new Searcher("hello")
    val result: RDD[String] = searcher.getMatchedRDD1(rdd)
    result.collect.foreach(println)
  }
}

case class Searcher(val query: String) {
  // 判断 s 中是否包括子字符串 query
  def isMatch(s: String) = {
    s.contains(query)
  }


  // 过滤出包含 query字符串的字符串组成的新的 RDD
  def getMatchedRDD1(rdd: RDD[String]) = {
    rdd.filter(isMatch) //
  }

  // 过滤出包含 query字符串的字符串组成的新的 RDD
  def getMatchedRDD2(rdd: RDD[String]) = {
    val q = query
    rdd.filter(_.contains(q))
  }

}