丰富SparkContext而不会引发序列化问题

Question

我正在尝试使用Spark来处理来自HBase表的数据.此博客文章提供了如何使用NewHadoopAPI从任何Hadoop读取数据的示例InputFormat.

我做了什么

由于我需要多次执行此操作,因此我尝试使用implicits进行丰富SparkContext,以便我可以从HBase中的给定列集中获取RDD.我写了以下帮助:

trait HBaseReadSupport {
  implicit def toHBaseSC(sc: SparkContext) = new HBaseSC(sc)

  implicit def bytes2string(bytes: Array[Byte]) = new String(bytes)
}


final class HBaseSC(sc: SparkContext) extends Serializable {
  def extract[A](data: Map[String, List[String]], result: Result, interpret: Array[Byte] => A) =
    data map { case (cf, columns) =>
      val content = columns map { column =>
        val cell = result.getColumnLatestCell(cf.getBytes, column.getBytes)

        column -> interpret(CellUtil.cloneValue(cell))
      } toMap

      cf -> content
    }

  def makeConf(table: String) = {
    val conf = HBaseConfiguration.create()

    conf.setBoolean("hbase.cluster.distributed", true)
    conf.setInt("hbase.client.scanner.caching", 10000)
    conf.set(TableInputFormat.INPUT_TABLE, table)

    conf
  }

  def hbase[A](table: String, data: Map[String, List[String]])
    (interpret: Array[Byte] => A) =

    sc.newAPIHadoopRDD(makeConf(table), classOf[TableInputFormat],
      classOf[ImmutableBytesWritable], classOf[Result]) map { case (key, row) =>
        Bytes.toString(key.get) -> extract(data, row, interpret)
      }

}

它可以像

val rdd = sc.hbase[String](table, Map(
  "cf" -> List("col1", "col2")
))

在这种情况下,我们得到一个RDD (String, Map[String, Map[String, String]]),其中第一个组件是rowkey,第二个是一个映射,其键是列族,值是映射,其键是列,其内容是单元格值.

哪里失败了

不幸的是,似乎我的工作得到了一个参考sc,它本身不是设计可序列化的.我在工作时得到的是

Exception in thread "main" org.apache.spark.SparkException: Job aborted: Task not serializable: java.io.NotSerializableException: org.apache.spark.SparkContext
at org.apache.spark.scheduler.DAGScheduler$$anonfun$org$apache$spark$scheduler$DAGScheduler$$abortStage$1.apply(DAGScheduler.scala:1028)

我可以删除帮助程序类并在我的工作中使用相同的内联逻辑,一切运行正常.但我希望得到一些我可以重复使用的东西,而不是一遍又一遍地编写相同的样板.

顺便说一下,问题并不是特定于隐含的,即使使用sc展示相同问题的功能.

为了比较,下面的帮助程序来读取TSV文件(我知道它已经坏了,因为它不支持引用等等,没关系)似乎工作正常:

trait TsvReadSupport {
  implicit def toTsvRDD(sc: SparkContext) = new TsvRDD(sc)
}

final class TsvRDD(val sc: SparkContext) extends Serializable {
  def tsv(path: String, fields: Seq[String], separator: Char = '\t') = sc.textFile(path) map { line =>
    val contents = line.split(separator).toList

    (fields, contents).zipped.toMap
  }
}

如何封装逻辑以从HBase读取行而不会无意中捕获SparkContext？

Answer 1

只需@transient向sc变量添加注释:

final class HBaseSC(@transient val sc: SparkContext) extends Serializable {
  ...
}

并确保sc不在extract功能范围内使用,因为它不适用于工人.

如果需要从分布式计算中访问Spark上下文,rdd.context可能会使用以下函数:

val rdd = sc.newAPIHadoopRDD(...)
rdd map {
  case (k, v) => 
    val ctx = rdd.context
    ....
}