为 Spark 序列化 Scalaz 订单

Question

我注意到大多数 Scalaz classes 是不可序列化的。在这种情况下，我尝试使用 type class 在 Spark 中对数组进行自定义排序。

一个减少的例子可能是这样的：

> val ord = Order[T]{ ... } 
> sc.makeRDD[T](...).grupBy(...).map { 
    case (_, grouped) => IList[T](grouped.toList).sorted(ord).distinct(ord)
  }

如您所料，此实现抛出 NotSerializableException 因为 Order[T] 不可序列化。

有什么方法可以使 Order[T] 可序列化吗？在一个完美的世界中，我希望仍然使用 scalaz 来避免这个问题。在 不太完美 中，我愿意考虑其他实现方式。

如果发生这种情况，则必须以可维护和可扩展的方式保持自定义排序和不同的实现。

Answer 1

如果您需要访问某些不可序列化的对象，您可以将其包装在 object:

scala> class NotSerializablePrinter { def print(msg:String) = println(msg) }
defined class NotSerializablePrinter

scala> val printer = new NotSerializablePrinter
printer: NotSerializablePrinter = $iwC$$iwC$NotSerializablePrinter@3b8afdbf

scala> val rdd = sc.parallelize(Array("1","2","3"))
rdd: org.apache.spark.rdd.RDD[String] = ParallelCollectionRDD[24] at parallelize at <console>:30

scala> rdd.foreach(msg => printer.print(msg)) // Fails
org.apache.spark.SparkException: Task not serializable
...

scala> object wrap { val printer = new NotSerializablePrinter }
defined module wrap

scala> rdd.foreach(msg => wrap.printer.print(msg))
1
3
2

在您的情况下，您可以将我的 NotSerializablePrinter 实例替换为您的 Scalaz Order 实例。此示例摘自 this useful article(item 3a).

为 Spark 序列化 Scalaz 订单

Serializing Scalaz Order for Spark

scala

serialization

apache-spark

scalaz