> **摘要**：本文从 Spark 三层序列化体系（Task Closure / Shuffle Wire / Dataset Internal）、四种序列化路径差异、Encoder vs Kryo vs Java Serializer 性能对比、NotSerializableException 五种解决方案、以及 Kryo 调优清单五个维度，彻底解答 Spark 序列化的一切疑问。
>
> **关键词**：Spark 序列化, Kryo, Encoder, NotSerializableException, Tungsten, InternalRow, Shuffle

---

## 一、开篇

几乎每个 Spark 开发者都遇到过 `Task not serializable`。本质原因：Driver 端创建的闭包需要序列化后发送到 Executor，闭包引用的外部对象不可序列化。

```scala
// ❌ 经典错误
val conn = DriverManager.getConnection(url)
rdd.map(row => conn.execute(s"INSERT ... $row"))  // NotSerializableException!

// ✅ 正确: mapPartitions 内创建
rdd.mapPartitions { iter =>
  val conn = DriverManager.getConnection(url)
  iter.map(row => conn.execute(...))
}
```

---

## 二、三层序列化体系

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/7be6d57d52919e3524b0d0dc361311c8.png)


| Layer | 路径 | 序列化器 |
|-------|------|---------|
| ① Task Closure | Driver→Executor | spark.serializer (Kryo) |
| ② Shuffle Wire | Executor↔Executor | RDD:Kryo / Dataset:Encoder |
| ③ Dataset Internal | 算子执行 | Encoder(Tungsten)旁路Kryo |

---

## 三、Encoder vs Kryo vs Java 对比

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-2482016/638704aeefd6e08d7e942ef6f6cfa994.png)


```
              Java(默认)     Kryo(推荐)    Encoder(Tungsten)
───────────────────────────────────────────────────────
体积          1x (基准)      0.1x          0.01x (100x!)
速度          1x (基准)      10x           100x
适用范围      所有对象       RDD+闭包      Dataset API
配置          无需           需注册类       import implicits
Shuffle        是             是            是(绕过Kryo)
```

---

## 四、NotSerializableException 五种解法

```
① @transient lazy val — 延迟初始化不可序列化字段
② 广播变量 — 大对象只序列化一次
③ mapPartitions — 每个分区内创建一次
④ 实现 Serializable — 让类可序列化
⑤ 局部变量捕获 — 只捕获需要的值而非整个对象
```

---

## 五、Kryo 调优清单

```scala
val conf = new SparkConf()
  .set("spark.serializer", "org.apache.spark.serializer.KryoSerializer")
conf.registerKryoClasses(Array(classOf[MyKey], classOf[MyData]))
conf.set("spark.kryo.registrationRequired", "true")
conf.set("spark.kryoserializer.buffer.max", "128m")
```

---

## 六、总结

1. **三层序列化**：Task Closure(Kryo) + Shuffle(RDD用Kryo/Dataset用Encoder) + Dataset Internal(Encoder旁路)。

2. **性能排名**：Encoder(100x) > Kryo(10x) > Java(1x)。Dataset Shuffle 自动走 Encoder。

3. **避坑五法**：@transient lazy / 广播变量 / mapPartitions / Serializable / 局部变量捕获。

---

> **作者**：starzy
> **博客**：[blog.starzy.cn](https://blog.starzy.cn)
> **GitHub**：[starzy1990.github.io](https://starzy1990.github.io)
> **专注 AI Agent · LangGraph · RAG · 大数据架构 · 数据工程实践**

摘要：本文从 Spark 三层序列化体系（Task Closure  Shuffle Wire  Dataset Internal）、四种序列化路径差异、Encoder vs Kryo vs Java Serializer 性能对比、NotSerializableException 五种解决方案、以及 Kryo 调优清单五个维度，彻底解答 Spark 序列化的一切疑问。

SparkSQL 之序列化问题深度剖析

大数据

开发工具

后端

数据架构

代码解释

LangGraph

GitHub

Spark 

Java

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

摘要：本文从 Spark 三层序列化体系（Task Closure  Shuffle Wire  Dataset Internal）、四种序列化路径差异、Encoder vs Kryo vs Java Serializer 性能对比、NotSerializableException 五种解决方案、以及 Kryo 调优清...

SparkSQL 之序列化问题深度剖析-腾讯云开发者社区-腾讯云

SparkSQL 之序列化问题深度剖析

SparkSQL 之序列化问题深度剖析

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐