映射 JavaRDD 时获取 java.io.NotSerializableException

Question

以下是当我尝试将作业分派给执行程序时导致 java.io.NotSerializableException 的代码。

    JavaRDD<Row> rddToWrite = dataToWrite.toJavaRDD();
    JavaRDD<String> stringRdd = rddToWrite.map(new Function<Row, String>() {

        /**
         * Serial Version Id
         */
        private static final long serialVersionUID = 6766320395808127072L;

        @Override
        public String call(Row row) throws Exception {
            return row.mkString(dataFormat.getDelimiter());
        }
    });

但是，当我执行以下操作时，任务已成功序列化：

JavaRDD<Row> rddToWrite = dataToWrite.toJavaRDD();
List<String> dataList = rddToWrite.collect().stream().parallel()
                           .map(row -> row.mkString(dataFormat.getDelimiter()))
                           .collect(Collectors.<String>toList());
JavaSparkContext javaSparkContext = new JavaSparkContext(sessionContext.getSparkContext());
JavaRDD<String> stringRDD = javaSparkContext.parallelize(dataList);

谁能帮我指出我在这里做错了什么？

编辑： dataFormat 是编写包含此代码的函数的类中的私有成员字段。它是一个 DataFormat 类的对象，它定义了两个字段，即 spark 数据格式（例如“com.databricks.spark.csv”）和分隔符（例如“\t”）。

Answer 1

new Function ...创建的匿名类需要引用封闭实例，序列化函数需要序列化封闭实例，包括dataFormat和所有其他字段。如果该类未标记为Serializable，或具有任何不可序列化的非transient 字段，则它将不起作用。即使它确实如此，它的性能也会比必要的更差。

不幸的是，要完全解决这个问题，您需要创建一个命名的静态内部类（或只是一个单独的类），它甚至不能是本地的（因为匿名和 local classes in Java 都不能是静态的）：

static class MyFunction extends Function<Row, String> {
    private String delimiter;
    private static final long serialVersionUID = 6766320395808127072L;

    MyFunction(String delimiter) {
        this.delimiter = delimiter;
    }

    @Override
    public String call(Row row) throws Exception {
        return row.mkString(delimiter);
    }
}

然后

JavaRDD<String> stringRdd = rddToWrite.map(new MyFunction(dataFormat.getDelimiter()));

Answer 2

当您访问dataFormat 时，表示this.dataFormat。 所以spark会尝试序列化this，遇到NotSerializableException。

尝试制作一个本地副本，例如：

DataFormat dataformat = this.dataformat;
JavaRDD<Row> rddToWrite = dataToWrite.toJavaRDD();
JavaRDD<String> stringRdd = rddToWrite.map(new Function<Row, String>() ...

有关详细信息，请参阅 http://spark.apache.org/docs/latest/programming-guide.html#passing-functions-to-spark