Spark 中的 NotSerializableException

Question

大多数不可序列化的问题在线获取非常基本的数据作为他们的sc.parallelize() 的输入，在地图部分他们遇到不可序列化的问题，但我的是一种类型。我有一个特定的数据类型，它来自第三方库并且不可序列化。 所以写这个显示 NotSerializableException ：

val data: RDD[ThirdPartyLib.models.XData] = sc.parallelize(ThirdPartyLib.getX)

data.foreachPartition(rows => {
  rows.foreach(row => {
    println("value: " + row.getValue)    
  })  
})

作为解决方案，我在内部创建了相同的模型类（XData），但使其可序列化并执行此操作：

val data: RDD[XData] = (sc.parallelize(ThirdPartyLib.getX)).asInstanceOf[RDD[XData]]

data.foreachPartition(rows => {
  rows.foreach(row => {
    println("value: " + row.getValue)    
  })  
})

我期待问题得到解决，但我仍然收到与[ERROR] org.apache.spark.util.Utils logError - Exception encountered java.io.NotSerializableException: ThirdPartyLib.models.XData 相同的错误。当我创建内部可序列化类型时，问题不应该重新解决吗？我该如何解决这个问题？

Answer 1

所以

(sc.parallelize(ThirdPartyLib.getX)).asInstanceOf[RDD[XData]]

您先并行化，然后再进行转换。所以 spark 仍然需要 ThirdPartyLib.models.XData 可序列化。此外，由于类型不同，该演员阵容可能会爆炸。

我认为这应该可以解决问题

def convertThirdPartyXDataToMyXData( xd: ThirdPartyLib.models.XData): XData = ???

val data: RDD[ThirdPartyLib.models.XData] = sc.parallelize(ThirdPartyLib.getX.map(convertThirdPartyXDataToMyXData)) //if you have a map on the collection that getX returns