PySpark - 序列化器

序列化用于在 Apache Spark 上进行性能调整。通过网络发送、写入磁盘或保留在内存中的所有数据都应序列化。序列化在代价高昂的操作中发挥着重要作用。

PySpark 支持自定义序列化器以进行性能调整。PySpark 支持以下两个序列化器 −

MarshalSerializer

使用 Python 的 Marshal 序列化器序列化对象。此序列化器比 PickleSerializer 快，但支持的数据类型更少。

class pyspark.MarshalSerializer

PickleSerializer

使用 Python 的 Pickle 序列化器序列化对象。此序列化器支持几乎任何 Python 对象，但可能不如更专业的序列化器快。

class pyspark.PickleSerializer

让我们来看一个 PySpark 序列化的示例。在此，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 − 以上命令的输出为 −

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