org.apache.spark.SparkException：任務無法序列化（由org.apache.hadoop.conf.Configuration引起）

Question

我想將轉換后的流寫入Elasticsearch索引，如下所示：

transformed.foreachRDD(rdd => {
  if (!rdd.isEmpty()) {
    val messages = rdd.map(prepare)
    messages.saveAsNewAPIHadoopFile("-", classOf[NullWritable], classOf[MapWritable], classOf[EsOutputFormat], ec)
  }
})

行val messages = rdd.map(prepare)引發錯誤（請參見下文）。 我陷入了嘗試以其他方式解決此問題的@transient （例如，在val conf旁邊添加@transient ），但是似乎沒有任何效果。

6/06/28 19:23:00錯誤JobScheduler：運行作業流作業作業時出錯1467134580000 ms.0 org.apache.spark.SparkException：任務無法在org.apache.spark.util.ClosureCleaner $ .ensureSerializable（ClosureCleaner.scala ：304），位於org.apache.spark.util.ClosureCleaner $ .clean（ClosureCleaner.org）上，網址為org.apache.spark.util.ClosureCleaner $ .org $ apache $ spark $ util $ ClosureCleaner $$ clean（ClosureCleaner.scala：294）。 scala：122）位於org.apache.spark.SparkContext.clean（SparkContext.scala：2055）位於org.apache.spark.rdd.RDD $$ anonfun $ map $ 1.apply（RDD.scala：324）位於org.apache位於org.apache.spark.rdd的.spark.rdd.RDD $$ anonfun $ map $ 1.apply（RDD.scala：323），位於org.apache.spark.rdd的RDDOperationScope $ .withScope（RDDOperationScope.scala：150）。 org.apache.spark.rdd.RDD.withScope（RDD.scala：316）的RDDOperationScope $ .withScope（RDDOperationScope.scala：111）在org.apache.spark.rdd.RDD.map（RDD.scala：323） de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1.apply（EsStream.scala：77）位於de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1.在org.apache.spark.streaming.dstream.DStream.Dstream $$ anonfun $ foreachRDD $ 1 $ anonfun $ apply $ mcV $ sp $ 3.apply（DStream.scala：661）處應用（EsStream.scala：75）。 apache.spark.streaming.dstream.DStream $$ anonfun $ foreachRDD $ 1 $$ anonfun $ apply $ mcV $ sp $ 3.apply（DStream.scala：661）位於org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1在org.apache.spark.streaming.dstream的$$ anonfun $ apply $ mcV $ sp $ 1.apply $ mcV $ sp（ForEachDStream.scala：50）.ForEachDStream $$ anonfun $ 1 $$ anonfun $ apply $ mcV $ sp $ 1。在org.apache.spark.apply（ForEachDStream.scala：50）在org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1 $$ anonfun $ apply $ mcV $ sp $ 1.apply（ForEachDStream.scala：50）在org.apache.spark。 org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1.apply $ mcV $ sp（ForEachDStream.scala：49）處的org.apache.spark.streaming.dstream.DStream.createRDDWithLocalProperties（DStream.scala：426）。 org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1.apply（ForEachDStream）的streaming.dstream.ForEachDStream $$ anonfun $ 1.apply（ForEachDStream.scala：49） .scala：49）在scala.util.Try $ .apply（Try.scala：161）在org.apache.spark.streaming.scheduler.Job.run（Job.scala：39）在org.apache.spark.streaming .scheduler.JobScheduler $ JobHandler $$ anonfun $ run $ 1.apply $ mcV $ sp（JobScheduler.scala：224）在org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler $$ anonfun $ run $ 1.apply（JobScheduler。 scala：224）在org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler $$ anonfun $ run $ 1.apply（JobScheduler.scala：224）在scala.util.DynamicVariable.withValue（DynamicVariable.scala：57）在org .apache.spark.streaming.scheduler.JobScheduler $ JobHandler.run（JobScheduler.scala：223）在java.util.concurrent.ThreadPoolExecutor.runWorker（ThreadPoolExecutor.java:1142）在java.util.concurrent.ThreadPoolExecutor $ Worker.run （ThreadPoolExecutor.java:617）at java.lang.Thread.run（Thread.java:745）原因：java.io.NotSerializableException：org.apache.hadoop.conf.Configuration序列化堆棧：-無法序列化的對象（類： org.apache.hadoop.conf.Configuration，值：Config 提示：core-default.xml，core-site.xml，mapred-default.xml，mapred-site.xml，yarn-default.xml，yarn-site.xml）-字段（類：de.kp.spark.elastic .stream.EsStream，名稱：de $ kp $ spark $ elastic $ stream $ EsStream $$ conf，類型：類org.apache.hadoop.conf.Configuration）-對象（類de.kp.spark.elastic.stream.EsStream ，de.kp.spark.elastic.stream.EsStream@6b156e9a）-字段（類：de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1，名稱：$ outer，類型：class de.kp. spark.elastic.stream.EsStream）-對象（類de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1，）-字段（類：de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1 $$ anonfun $ 2，名稱：$ outer，類型：class de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1）-對象（class.de.kp.spark.elastic.stream.EsStream $ org.apache.spark.serializer.SerializationDebugger $ .improveException（SerializationDebugger.scala：40）處的org.apache.spark.serializer.JavaSerializationStream.writeObject（JavaSerializer.scala：47）的$ anonfun $ run $ 1 $ anonfun $ 2，）。在 org.apache.spark.util.ClosureCleaner $ .ensureSerializable（ClosureCleaner.scala：301）上的org.apache.spark.serializer.JavaSerializerInstance.serialize（JavaSerializer.scala：101）...還有30個線程“ main” org中的異常.apache.spark.SparkException：任務無法在org.apache.spark.util.ClosureCleaner $ .org $ apache $ spark $ util $上的org.apache.spark.util.ClosureCleaner $ .ensureSerializable（ClosureCleaner.scala：304）進行序列化org.apache.spark.util.ClosureCleaner $ .clean（ClosureCleaner.scala：122）的org.apache.spark.SparkContext.clean（SparkContext.scala：2055）的ClosureCleaner $$ clean（ClosureCleaner.scala：294） org.apache.spark.rdd.RDD $$ anonfun $ map $ 1.apply（RDD.scala：324）org.apache.spark.rdd.RDD $$ anonfun $ map $ 1.apply（RDD.scala：323）at org org.apache.spark.rdd.RDDOperationScope $ .withScope（RDDOperationScope.scala：111）在org.apache.spark.rdd.RDD.withScope的.apache.spark.rdd.RDDOperationScope $ .withScope（RDDOperationScope.scala：150） （RDD.scala：316），網址為org.apache.spark.rdd.RDD.map（RDD.scala：323），網址為de.k p.spark.elastic.stream.EsStream $$ anonfun $ run $ 1.apply（EsStream.scala：77）在de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1.apply（EsStream.scala：75 ）org.apache.spark.streaming.DStream上的org.apache.spark.streaming.dstream.DStream $ Dananfun $ foreachRDD $ 1 $$ anonfun $ apply $ mcV $ sp $ 3.apply（DStream.scala：661） $$ anonfun $ foreachRDD $ 1 $ anonfun $ apply $ mcV $ sp $ 3.apply（DStream.scala：661）位於org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1 $$ anonfun $ apply $ mcV $ sp $ 1.apply $ mcV $ sp（ForEachDStream.scala：50）位於org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1 $$ anonfun $ apply $ mcV $ sp $ 1.apply（ForEachDStream.scala：50） org.apache.spark.streaming.dstream.DStream.createRDDWithLocalProperties（DStream）上的org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1 $ ananfun $ apply $ mcV $ sp $ 1.apply（ForEachDStream.scala：50） .scala：426），位於org.apache.spark.streaming.dstream.ForEachDStream $$ a上org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1.apply $ mcV $ sp（ForEachDStream.scala：49）上。 org.apache.spark.streaming.dstream.ForEachDStream $$ anonfun $ 1.apply（ForEachDStream.scala：49）處的非樂趣$ 1.apply（ForEachDStream.scala：49）在scala.util.Try $ .apply（Try.scala： 161），位於org.apache.spark.streaming.scheduler.Job.run（Job.scala：39），位於org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler $$ anonfun $ run $ 1.apply $ mcV $ sp（ JobScheduler.scala：224）在org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler $$ anonfun $ run $ 1.apply（JobScheduler.scala：224）在org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler $ $ anonfun $ run $ 1.apply（JobScheduler.scala：224）位於scala.util.DynamicVariable.withValue（DynamicVariable.scala：57）位於org.apache.spark.streaming.scheduler.JobScheduler $ JobHandler.run（JobScheduler.scala： 223）at java.util.concurrent.ThreadPoolExecutor.runWorker（ThreadPoolExecutor.java:1142）at java.util.concurrent.ThreadPoolExecutor $ Worker.run（ThreadPoolExecutor.java:617）at java.lang.Thread.run（Thread.java） ：745）由：java.io.NotSerializableException：org.apache.hadoop.c onf.Configuration序列化堆棧：-無法序列化的對象（類：org.apache.hadoop.conf.Configuration，值：配置：core-default.xml，core-site.xml，mapred-default.xml，mapred-site.xml ，yarn-default.xml，yarn-site.xml）-字段（類：de.kp.spark.elastic.stream.EsStream，名稱：de $ kp $ spark $ elastic $ stream $ EsStream $$ conf，類型：class org.apache.hadoop.conf.Configuration）-對象（類de.kp.spark.elastic.stream.EsStream，de.kp.spark.elastic.stream.EsStream@6b156e9a）-字段（類：de.kp.spark .elastic.stream.EsStream $$ anonfun $ run $ 1，名稱：$ outer，類型：class de.kp.spark.elastic.stream.EsStream）-對象（class.de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1，）-字段（類：de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1 $$ anonfun $ 2，名稱：$ outer，類型：class de.kp.spark.elastic.stream .EsStream $$ anonfun $ run $ 1）-對象（class.de.kp.spark.elastic.stream.EsStream $$ anonfun $ run $ 1 $$ anonfun $ 2，）在org.apache.spark.serializer.SerializationDebugger $ .improveException（絲氨酸 org.apache.spark.serializer.JavaSerializationStream.writeObject（JavaSerializer.scala：47）處的ializationDebugger.scala：40）org.apache.spark處的org.apache.spark.serializer.JavaSerializerInstance.serialize（JavaSerializer.scala：101）處的ializationDebugger.scala：40） .util.ClosureCleaner $ .ensureSerializable（ClosureCleaner.scala：301）...還有30個

它與Hadoop的配置有某種關系嗎？ （我引用此消息： class: org.apache.hadoop.conf.Configuration, value: Configuration: core-default.xml, core-site.xml, mapred-default.xml, mapred-site.xml, yarn-default.xml, yarn-site.xml ）

更新：

class EsStream(name:String,conf:HConf) extends SparkBase with Serializable {

  /* Elasticsearch configuration */ 
  val ec = getEsConf(conf)               

  /* Kafka configuration */
  val (kc,topics) = getKafkaConf(conf)

  def run() {

    val ssc = createSSCLocal(name,conf)

    /*
     * The KafkaInputDStream returns a Tuple where only the second component
     * holds the respective message; we therefore reduce to a DStream[String]
     */
    val stream = KafkaUtils.createStream[String,String,StringDecoder,StringDecoder](ssc,kc,topics,StorageLevel.MEMORY_AND_DISK).map(_._2)
    /*
     * Inline transformation of the incoming stream by any function that maps 
     * a DStream[String] onto a DStream[String]
     */
    val transformed = transform(stream)
    /*
     * Write transformed stream to Elasticsearch index
     */
    transformed.foreachRDD(rdd => {
      if (!rdd.isEmpty()) {
        val messages = rdd.map(prepare)
        messages.saveAsNewAPIHadoopFile("-", classOf[NullWritable], classOf[MapWritable], classOf[EsOutputFormat], ec)
      }
    })

    ssc.start()
    ssc.awaitTermination()    

  }

  def transform(stream:DStream[String]) = stream

  private def getEsConf(config:HConf):HConf = {

    val _conf = new HConf()

    _conf.set("es.nodes", conf.get("es.nodes"))
    _conf.set("es.port", conf.get("es.port"))

    _conf.set("es.resource", conf.get("es.resource"))

    _conf

  }

  private def getKafkaConf(config:HConf):(Map[String,String],Map[String,Int]) = {

    val cfg = Map(
      "group.id" -> conf.get("kafka.group"),

      "zookeeper.connect" -> conf.get("kafka.zklist"),
      "zookeeper.connection.timeout.ms" -> conf.get("kafka.timeout")

    )

    val topics = conf.get("kafka.topics").split(",").map((_,conf.get("kafka.threads").toInt)).toMap   

    (cfg,topics)

  }

  private def prepare(message:String):(Object,Object) = {

    val m = JSON.parseFull(message) match {
      case Some(map) => map.asInstanceOf[Map[String,String]]
      case None => Map.empty[String,String]
    }

    val kw = NullWritable.get

    val vw = new MapWritable
    for ((k, v) <- m) vw.put(new Text(k), new Text(v))

    (kw, vw)

  }

}

Answer 1

從conf:HConf的類構造函數中EsStream conf:HConf ，並將其編寫為class EsStream(name:String) 。

接下來創建一個帶有簽名的方法： public def init(conf:HConf):Map(String,String)

在這種方法中，您將閱讀所需的配置並以此更新ec和(kc,topics) 。

之后，您應該調用run方法。