java - 映射 JavaRDD 时获取 java.io.NotSerializableException

Question

以下是当我尝试将作业分派(dispatch)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，任务序列化成功:

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(private)成员字段。它是 DataFormat 类的一个对象，该类定义了两个字段，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 和所有其他领域。如果该类未标记为 Serializable，或具有任何不可序列化的非 transient 字段，它将无法工作。即使它这样做了，它也会悄悄地表现得比必要的更糟。

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()));