Spark 数据集编码器：kryo() 与 bean()

在 Spark 中处理数据集时，我们需要指定编码器来序列化和反序列化对象。我们可以选择使用Encoders.bean(Class<T>) or Encoders.kryo(Class<T>).

它们有何不同？使用其中一种与另一种相比对性能有何影响？

出于多种原因，始终建议使用 Kryo 序列化到 Java 序列化。其中一些如下。

• Kryo 序列化比 Java 序列化更快。
• Kryo 序列化使用更少的内存占用，尤其是在您可能需要的情况下Cache() and Persist()。这在以下阶段非常有帮助：Shuffling.
• 尽管 Kryo 支持缓存和混洗，但在磁盘持久化期间不支持。
• saveAsObjectFile在 RDD 上和objectFile方法上SparkContext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实践。
• Java 的序列化框架是出了名的低效，它消耗太多的 CPU、RAM 和大小，无法成为合适的大规模序列化​​格式。
• Java 序列化在序列化对象时需要存储完全限定的类名。但是，Kryo 可以通过保存/注册类来避免这种情况sparkConf.registerKryoClasses(Array( classOf[A], classOf[B], ...)) or sparkConf.set("spark.kryo.registrator", "MyKryoRegistrator")。这节省了大量空间并避免了不必要的元数据。

之间的区别bean() and javaSerialization()java序列化是序列化类型的对象T使用通用的java序列化。该编码器映射T转换为单字节数组（二进制）字段。其中 as bean 为 Java Bean 类型创建编码器T。它们都使用 Java 序列化，唯一的区别是它们如何将对象表示为字节。

引用自文档

JavaSerialization 效率极低，只能用作 最后一招。