ProtoBuf 字段的 Spark、Kryo 序列化问题

Question

当我的 spark 作业与转换 RDD 时 protobuf 字段的序列化相关时运行我看到一个错误。

com.esotericsoftware.kryo.KryoException: java.lang.UnsupportedOperationException 序列化跟踪： otherAuthors_ (com.thomsonreuters.kraken.medusa.dbor.proto.Book$DBBooks)

错误似乎是在此时产生的：

val booksPerTier: Iterable[(TimeTier, RDD[DBBooks])] = allTiers.map {
      tier => (tier, books.filter(b => isInTier(endOfInterval, tier, b) &&     !isBookPublished(o)).mapPartitions( it =>
      it.map{ord =>
        (ord.getAuthor, ord.getPublisherName, getGenre(ord.getSourceCountry))}))
}

val averagesPerAuthor = booksPerTier.flatMap { case (tier, opt) =>
  opt.map(o => (tier, o._1, PublisherCompanyComparison, o._3)).countByValue()
}

val averagesPerPublisher = booksPerTier.flatMap { case (tier, opt) =>
  opt.map(o => (tier, o._1, PublisherComparison(o._2), o._3)).countByValue()
}

该字段是protobuf中指定的列表，如下所示：

otherAuthors_ = java.util.Collections.emptyList()

如您所见，代码实际上并未使用 Book Protobuf 中的该字段，尽管它仍在通过网络传输。

有人对此有什么建议吗？

Answer 1

好吧，老问题了，但这是留给子孙后代的答案。默认的 kryo 序列化程序不适用于某些集合。有一个第三方库可以帮助它：kryo-serializers

在您的情况下，您可能需要在创建 spark 配置时提供自定义 kryo 注册器：

val conf = new SparkConf()
conf.set("spark.kryo.registrator", "MyKryoRegistrator")

在您的注册器中需要自定义注册：

class MyKryoRegistrator extends KryoRegistrator {
    override def registerClasses(kryo: Kryo) {
        kryo.register( Collections.EMPTY_LIST.getClass(), new CollectionsEmptyListSerializer() );
        // Probably should use proto serializer for your proto classes
        kryo.register( Book.class, new ProtobufSerializer() );
    } 
}

ProtoBuf 字段的 Spark、Kryo 序列化问题

Spark, Kryo Serialization Issue with ProtoBuf field

scala

kryo

apache-spark