PySpark - 序列化

序列化用于 Apache Spark 的性能调优。 所有通过网络发送或写入磁盘或保存在内存中的数据都应该被序列化。 序列化在昂贵的操作中起着重要作用。

PySpark 支持用于性能调整的自定义序列化程序。 PySpark 支持以下两个序列化器 −

MarshalSerializer

使用 Python 的 Marshal Serializer 序列化对象。 此序列化程序比 PickleSerializer 更快，但支持的数据类型更少。

class pyspark.MarshalSerializer

PickleSerializer

使用 Python 的 Pickle Serializer 序列化对象。 这个序列化器几乎支持任何 Python 对象，但可能不如更专业的序列化器那么快。

class pyspark.PickleSerializer

让我们看一个关于 PySpark 序列化的例子。 在这里，我们使用 MarshalSerializer 序列化数据。

--------------------------------------serializing.py-------------------------------------
from pyspark.context import SparkContext
from pyspark.serializers import MarshalSerializer
sc = SparkContext("local", "serialization app", serializer = MarshalSerializer())
print(sc.parallelize(list(range(1000))).map(lambda x: 2 * x).take(10))
sc.stop()
--------------------------------------serializing.py-------------------------------------

命令 − 命令如下 −

$SPARK_HOME/bin/spark-submit serializing.py

输出 − 上述命令的输出是 −

[0, 2, 4, 6, 8, 10, 12, 14, 16, 18]