為什么這個Spark代碼會拋出java.io.NotSerializableException

Question

我想在RDD上的轉換中訪問伴隨對象的方法。 為什么以下不起作用：

import org.apache.spark.rdd.RDD
import spark.implicits._
import org.apache.spark.sql.{Encoder, Encoders}

class Abc {
    def transform(x: RDD[Int]): RDD[Double] = { x.map(Abc.fn) }
}

object Abc {
  def fn(x: Int): Double = { x.toDouble }
}

implicit def abcEncoder: Encoder[Abc] = Encoders.kryo[Abc]

new Abc().transform(sc.parallelize(1 to 10)).collect

上面的代碼拋出了一個java.io.NotSerializableException ：

org.apache.spark.SparkException: Task not serializable
  at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:298)
  at org.apache.spark.util.ClosureCleaner$.org$apache$spark$util$ClosureCleaner$$clean(ClosureCleaner.scala:288)
  at org.apache.spark.util.ClosureCleaner$.clean(ClosureCleaner.scala:108)
  at org.apache.spark.SparkContext.clean(SparkContext.scala:2094)
  at org.apache.spark.rdd.RDD$$anonfun$map$1.apply(RDD.scala:370)
  at org.apache.spark.rdd.RDD$$anonfun$map$1.apply(RDD.scala:369)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:151)
  at org.apache.spark.rdd.RDDOperationScope$.withScope(RDDOperationScope.scala:112)
  at org.apache.spark.rdd.RDD.withScope(RDD.scala:362)
  at org.apache.spark.rdd.RDD.map(RDD.scala:369)
  at Abc.transform(<console>:19)
  ... 47 elided
Caused by: java.io.NotSerializableException: Abc
Serialization stack:
        - object not serializable (class: Abc, value: Abc@4f598dfb)
        - field (class: Abc$$anonfun$transform$1, name: $outer, type: class Abc)
        - object (class Abc$$anonfun$transform$1, <function1>)
  at org.apache.spark.serializer.SerializationDebugger$.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.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:295)
  ... 57 more

即使為Abc類定義一個Encoder也無濟於事。 但更重要的問題是，為什么要嘗試Abc類對象的序列化呢？ 我的第一個想法是伴侶對象是類的單個對象，所以可能嘗試序列化它。 但似乎並非如此，因為當我從另一個類調用Abc.fn時：

class Xyz {
    def transform(x: RDD[Int]): RDD[Double] = { x.map(Abc.fn) }
}

implicit def xyzEncoder: Encoder[Xyz] = Encoders.kryo[Xyz]

new Xyz().transform(sc.parallelize(1 to 10)).collect

我得到一個java.io.NotSerializableException: Xyz

Answer 1

這篇文章討論了Apache Spark中的“可序列化”與“不可序列化的對象”：

使用Apache Spark中的非可序列化對象，Nicola Ferraro

該文提出了以下幾點建議：

• 在你的特定情況下發生了什么

• 一些替代方案，因此您的對象不需要“可序列化”

Answer 2

主要的抽象os spark是RDD，它在集群的節點上進行分區。 因此，當我們運行RDD時，它在驅動程序節點中被序列化，並被分發到其他適當的節點。 然后工作節點反序列化並執行。

在您的情況下，ABC類無法序列化並分發到其他工作節點。 您需要使用Serializable序列化ABC類

class Abc with Serializable{
    def transform(x: RDD[Int]): RDD[Double] = { x.map(Abc.fn) }
}