EMR 生成的文件的 Spark Kryo 反序列化在本地失败

Question

在将 EMR 版本升级到 6.2.0（我们之前使用 5.0 beta - ish）和 Spark 3.0.1 后，我们注意到我们无法在本地读取从 EMR 集群写入的 Kryo 文件（这在之前显然是可能的）。尝试读取此类文件时，抛出的异常如下：

com.esotericsoftware.kryo.KryoException: java.lang.ClassCastException: scala.Tuple3 cannot be cast to scala.Tuple2

我们使用 spark 3.0.1 和 Kryo 4.0.2（捆绑）并使用 Kryo::readClassAndObject 读取 Kryo 文件，使用 SparkContext::sequenceFile 对 RDD 重新读取进行操作。

Answer 1

TL;DR: AWS EMR 6.2.0（可能更早）导致从 EMR 集群写入的 Kryo 文件的本地反序列化失败（由于集群运行 AWS Spark 分叉）。要修复的代码附在帖子末尾。

---

最近以来，Amazon EMR 集群运行自己的 Apache Spark 分支（即，对于 EMR 6.2.0 集群，Spark 版本为 3.0.1.amzn-0），其中包含 Kryo 作为默认序列化框架，我们用我们自己。自从升级到 6.2.0 后，我们注意到我们无法在本地读取从 EMR 6.2.0 集群写入的 Kryo 文件，它们会失败并显示如下消息：

com.esotericsoftware.kryo.KryoException: java.lang.ClassCastException: scala.Tuple3 cannot be cast to scala.Tuple2

我们试图读取的 RDD 确实是 Tuple2 类型的 RDD，但显然在反序列化时，Kryo 认为它出于某种原因被编码为 Tuple3 的 RDD。

现在，在内部，Kryo 拥有一个 ID 类的映射，该类在运行时构建，并有望在读写 JVM 之间保持一致（用于确定要反序列化到哪个类）。该注册表建立在 Kryo 实例的实例化之上（我们使用 org.apache.spark.serializer.KryoSerializer::newKryo）。经过检查，我们注意到在执行序列化的 EMR 集群和我们的本地机器之间，Tuple2 的 ID 确实不同，这种差异归因于 EMR 设置中存在的单个类，而不是本地 - 这个类是 org.apache .spark.scheduler.HighlyCompressedMapStatus$CompressedSizes 在任何公开可用的 Spark 代码中都不存在，因此我们将其归因于 Amazon spark fork。这实际上意味着我们无法在本地读取几乎任何由 EMR 集群编写的类，因为无法在本地使用 Spark 的该分支，并且该类在创建 Kryo 实例时在 ID 13 处注册（显然以后可能会更改)，导致几乎所有类都无法反序列化。

这里的丑陋解决方法是使用 Kryo 实例的 ClassResolver。如果注册表中不存在 CompressedSizes 类，我们将所有 id x >= 13 的类注册为 x + 1。这确实很难看，但作为本地修复，它可以工作。显然，它也可能会因为 EMR/Kryo/Spark 的新版本而中断，所以要格外小心（我们只在本地使用它进行调试，这仍然很多）。

代码： 以前，我们会像这样创建 Kryo 实例：

val kryoSerializer = new KryoSerializer(sc.getConf)
val kryo = kryoSerializer.newKryo()

现在，我们使用这个：

val kryo = adjustRegistrationsForEmrSpark(kryoSerializer.newKryo())

在哪里

private def adjustRegistrationsForEmrSpark(kryo: Kryo): Kryo = {
    val existingRegistrations = getRegistrations(kryo)
    val emrSpecificClassExists = existingRegistrations.exists(_.getType.getName.contains("CompressedSizes"))
    if (emrSpecificClassExists) {
        println(s"detected emr-specific class when creating kryo, not making any adjustments")
        kryo
    } else {
        println(s"emr-specific class missing from registrations, adjusting existing classes by an offset of 1 to compensate")
        val classResolver = kryo.getClassResolver
        existingRegistrations.filter(_.getId >= 13).foreach { registration =>
            val toRegister = new Registration(registration.getType, registration.getSerializer, registration.getId + 1)
            classResolver.register(toRegister)
        }
        kryo
    }
}

private def getRegistrations(kryo: Kryo): List[Registration] = {
    var classIndex = 0
    var reg: Registration = null
    var result: List[Registration] = List()
    do {
        reg = kryo.getClassResolver.getRegistration(classIndex)
        if (reg != null) result ++= List(reg)
        classIndex = classIndex + 1
    } while (reg != null)
    result
}