Spark:Task 上的 Redis 不可序列化

Question

我们使用Redis on Spark来缓存我们的键值pairs.This是代码：

import com.redis.RedisClient
val r = new RedisClient("192.168.1.101", 6379)
val perhit = perhitFile.map(x => {
    val arr = x.split(" ")
    val readId = arr(0).toInt
    val refId = arr(1).toInt
    val start = arr(2).toInt
    val end = arr(3).toInt
    val refStr = r.hmget("refStr", refId).get(refId).split(",")(1)
    val readStr = r.hmget("readStr", readId).get(readId)
    val realend = if(end > refStr.length - 1) refStr.length - 1 else end
    val refOneStr = refStr.substring(start, realend)
      (readStr, refOneStr, refId, start, realend, readId)
 })

但是编译器给我这样的反馈：

Exception in thread "main" org.apache.spark.SparkException: Task not serializable
    at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:166)
    at org.apache.spark.util.ClosureCleaner$.clean(ClosureCleaner.scala:158)
    at org.apache.spark.SparkContext.clean(SparkContext.scala:1242)
    at org.apache.spark.rdd.RDD.map(RDD.scala:270)
    at com.ynu.App$.main(App.scala:511)
    at com.ynu.App.main(App.scala)
    at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
    at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:57)
    at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
    at java.lang.reflect.Method.invoke(Method.java:606)
    at org.apache.spark.deploy.SparkSubmit$.launch(SparkSubmit.scala:328)
    at org.apache.spark.deploy.SparkSubmit$.main(SparkSubmit.scala:75)
    at org.apache.spark.deploy.SparkSubmit.main(SparkSubmit.scala)
Caused by: java.io.NotSerializableException: com.redis.RedisClient
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1183)
    at java.io.ObjectOutputStream.defaultWriteFields(ObjectOutputStream.java:1547)
    at java.io.ObjectOutputStream.writeSerialData(ObjectOutputStream.java:1508)
    at java.io.ObjectOutputStream.writeOrdinaryObject(ObjectOutputStream.java:1431)
    at java.io.ObjectOutputStream.writeObject0(ObjectOutputStream.java:1177)
    at java.io.ObjectOutputStream.writeObject(ObjectOutputStream.java:347)
    at org.apache.spark.serializer.JavaSerializationStream.writeObject(JavaSerializer.scala:42)
    at org.apache.spark.serializer.JavaSerializerInstance.serialize(JavaSerializer.scala:73)
    at org.apache.spark.util.ClosureCleaner$.ensureSerializable(ClosureCleaner.scala:164)
    ... 12 more

有人能告诉我如何序列化从 Redis.Thanks 中获取的数据吗？

Answer 1

您正在尝试序列化 客户端。您有一个 RedisClient、r，您正尝试在 map 内部使用，它将运行跨不同的集群节点。在执行集群任务之前分别从 redis 中获取您想要的数据，或者为每个集群任务单独创建客户端 inside 您的 map 块（可能通过使用 mapPartitions 而不是 map，因为为每一行创建一个新的 redis 客户端可能不是一个好主意）。

Answer 2

在 Spark 中，RDD 上的函数（如此处的 map）被序列化并发送给执行程序进行处理。这意味着这些操作中包含的所有元素都应该是可序列化的。

此处的 Redis 连接不可序列化，因为它打开到绑定到创建它的机器的目标数据库的 TCP 连接。

解决方案是在本地执行上下文中的执行程序上创建这些连接。有几种方法可以做到这一点。想到的两个是：

rdd.mapPartitions：让您一次处理整个分区，从而分摊创建连接的成本）
单例连接管理器：每个执行程序创建一次连接

mapPartitions 更简单，因为它只需要对程序结构做一个小改动：

val perhit = perhitFile.mapPartitions{partition => 
    val r = new RedisClient("192.168.1.101", 6379) // create the connection in the context of the mapPartition operation
    val res = partition.map{ x =>
        ...
        val refStr = r.hmget(...) // use r to process the local data
    }
    r.close // take care of resources
    res
}

单例连接管理器可以用一个对象建模，该对象持有对连接的惰性引用（注意：可变引用也可以）。

object RedisConnection extends Serializable {
   lazy val conn: RedisClient = new RedisClient("192.168.1.101", 6379)
}

此对象随后可用于为每个工作 JVM 实例化 1 个连接，并在操作闭包中用作 Serializable 对象。

val perhit = perhitFile.map{x => 
    val param = f(x)
    val refStr = RedisConnection.conn.hmget(...) // use RedisConnection to get a connection to the local data
    }
}

使用单例对象的优点是开销较少，因为 JVM 仅创建一次连接（而不是每个 RDD 分区 1 个）

也有一些缺点：

清理连接很棘手（关闭 hook/timers）
必须确保共享资源的线程安全

(*) 代码用于说明目的。未编译或测试。

Spark:Task 上的 Redis 不可序列化

Redis on Spark:Task not serializable

scala

redis

apache-spark