Spark数据集编码器：kryo（）vs bean（）

Question

在Spark中使用数据集时，我们需要指定用于序列化和反序列化对象的编码器。我们可以选择使用Encoders.bean(Class<T>)或Encoders.kryo(Class<T>)。

这些不同，使用一个与另一个相比有什么性能影响？

Answer 1

出于多种原因，始终建议将Kryo序列化用于Java序列化。其中一些在下面。

• Kryo序列化比Java序列化更快。
• Kryo序列化使用较少的内存占用，特别是在您需要Cache()和Persist()的情况下。这在Shuffling。
等阶段非常有用
• 虽然Kryo支持缓存和随机播放，但在磁盘持久化期间不支持Kryo。
关于RDD的
• saveAsObjectFile和objectFile上的SparkContext方法仅支持java序列化。
• 您在数据集中处理的自定义数据类型越多，处理它们的复杂性就越高。因此，使用像Kryo这样的统一序列化通常是最佳做法。
• Java的序列化框架非常低效，占用过多的CPU，RAM和大小，无法成为合适的大规模序列化​​格式。
• Java序列化需要在序列化对象时存储完全限定的类名。但是，Kryo允许您通过保存/注册类sparkConf.registerKryoClasses(Array( classOf[A], classOf[B], ...))或sparkConf.set("spark.kryo.registrator", "MyKryoRegistrator")来避免这种情况。这节省了大量空间并避免了不必要的元数据。

bean()和javaSerialization()之间的区别是javaSerialization使用通用java序列化序列化T类型的对象。此编码器将T映射到单字节数组（二进制）字段。 bean在哪里创建类型为T的Java Bean的编码器。它们都使用Java Serialization，唯一的区别是它们如何将对象表示为字节。

从文档中引用

  

JavaSerialization效率极低，只能用作   不得已。