環境
JDK 1.8.0
Scala 2.11.8
Spark 2.1.2
簡單說明
- 官方文檔: Data Serialization
- spark 默認的序列化器是 JavaSerializer,能夠支持所有對象自動的序列化,但是效率比較低。
- KryoSerializer 比 JavaSerializer 效率高很多,但是不支持所有對象的序列化(比如??),在使用時需要手動註冊自定義類。如果不註冊,性能比 JavaSerializer 更糟糕。
- 可以配置 spark.kryo.registrationRequired=true 來檢測自定義類是否註冊
示例
spark.serializer=org.apache.spark.serializer.KryoSerializer
spark.kryo.registrationRequired=true
import dw.common.util.HdfsHelper;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaPairRDD;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.SparkSession;
import scala.Tuple2;
import java.util.Arrays;
public class WordCount {
public static void main(String[] args) throws ClassNotFoundException {
String wordFile = "/user/qhy/input/wordcount/idea.txt";
SparkConf sparkConf = new SparkConf();
sparkConf.registerKryoClasses(new Class<?>[]{
java.lang.Class.class,
Object[].class,
Class.forName("scala.reflect.ClassTag$$anon$1")
});
SparkSession spark = SparkSession.builder()
.appName("WordCount")
.config(sparkConf)
.config("spark.hadoop.mapreduce.output.fileoutputformat.compress", false)
.getOrCreate();
JavaSparkContext jsc = new JavaSparkContext(spark.sparkContext());
JavaRDD<String> hdfstext = jsc.textFile(wordFile);
// 切分
JavaRDD<String> words = hdfstext.flatMap(line -> Arrays.asList(line.split("\\s+")).iterator());
// 單次計 1
JavaPairRDD<String, Integer> pairs = words.mapToPair(word -> new Tuple2<>(word, 1));
// 累加 1
JavaPairRDD<String, Integer> wordCounts = pairs.reduceByKey((v1, v2) -> v1 + v2)
.repartition(1);
String outDir = "/user/qhy/output/wordcount";
HdfsHelper.deleteDir(jsc, outDir);
wordCounts.saveAsTextFile(outDir); // 保存結果到 HDFS
jsc.close();
}
}
本文出自 walker snapshot