为什么spark抛出NotSerializableException org.apache.hadoop.io.NullWritable和序列文件

为什么spark会对序列文件抛出

NotSerializableException

org.apache.hadoop.io.NullWritable

？我的代码（非常简单）：

例外

org.apache.spark.SparkException: Job aborted: Task 1.0:66 had a not serializable result: java.io.NotSerializableException: org.apache.hadoop.io.NullWritable
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$org$apache$spark$scheduler$DAGScheduler$$abortStage$1.apply(DAGScheduler.scala:1028)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$org$apache$spark$scheduler$DAGScheduler$$abortStage$1.apply(DAGScheduler.scala:1026)
    at scala.collection.mutable.ResizableArray$class.foreach(ResizableArray.scala:59)
    at scala.collection.mutable.ArrayBuffer.foreach(ArrayBuffer.scala:47)
    at org.apache.spark.scheduler.DAGScheduler.org$apache$spark$scheduler$DAGScheduler$$abortStage(DAGScheduler.scala:1026)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$processEvent$10.apply(DAGScheduler.scala:619)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$processEvent$10.apply(DAGScheduler.scala:619)
    at scala.Option.foreach(Option.scala:236)
    at org.apache.spark.scheduler.DAGScheduler.processEvent(DAGScheduler.scala:619)
    at org.apache.spark.scheduler.DAGScheduler$$anonfun$start$1$$anon$2$$anonfun$receive$1.applyOrElse(DAGScheduler.scala:207)
    at akka.actor.ActorCell.receiveMessage(ActorCell.scala:498)
    at akka.actor.ActorCell.invoke(ActorCell.scala:456)
    at akka.dispatch.Mailbox.processMailbox(Mailbox.scala:237)
    at akka.dispatch.Mailbox.run(Mailbox.scala:219)
    at akka.dispatch.ForkJoinExecutorConfigurator$AkkaForkJoinTask.exec(AbstractDispatcher.scala:386)
    at scala.concurrent.forkjoin.ForkJoinTask.doExec(ForkJoinTask.java:260)
    at scala.concurrent.forkjoin.ForkJoinPool$WorkQueue.runTask(ForkJoinPool.java:1339)
    at scala.concurrent.forkjoin.ForkJoinPool.runWorker(ForkJoinPool.java:1979)
    at scala.concurrent.forkjoin.ForkJoinWorkerThread.run(ForkJoinWorkerThread.java:107)

---

因此，可以将不可序列化的类型读入RDD，也就是说，有一个不可序列化的RDD（这似乎违反直觉）。但是，一旦您希望在RDD上执行一个要求对象可序列化的操作，比如

repartition

，它就需要可序列化。此外，事实证明，这些奇怪的类是可写的，尽管它们的发明只是为了实现序列化，但实际上并不是可序列化的：（。因此，您必须将这些东西映射到字节数组，然后再映射回来：

sc.sequenceFile[NullWritable, BytesWritable](in)
.map(_._2.copyBytes()).repartition(1000)
.map(a => (NullWritable.get(), new BytesWritable(a)))
.saveAsSequenceFile(out, None)

---

另请参见：

在spark中，如果尝试使用不可序列化的第三方类，则会引发NotSerializable异常。这是因为spark的闭包属性，即任何实例变量（在转换操作之外定义）您尝试在转换操作内部访问spark尝试序列化它以及该对象的所有依赖类。

在本例中，我不尝试在转换操作外部访问实例变量。事实上，我成功地在第三方类上执行了转换操作。通常我会看到此例外这一次我有点困惑。我学到的是RDD中的类不需要序列化，它们需要序列化，当且仅当程序要求它们的序列化在某个点实际发生时。如果输入是sequenceFile[BytesWritable，BytesWritable]，那么我使用“map”要将[BytesWritable，BytesWritable]转换为[byte[]，byte[]，我想还原ByKey，但它返回一个错误“Default partitioner cannot partition array keys”。您有什么解决方案吗？@MichaelDinh

.toList

。map（p=>（p.\u 1.toList，p.\u 2））然后

reduceByKey

sc.sequenceFile[NullWritable, BytesWritable](in)
.map(_._2.copyBytes()).repartition(1000)
.map(a => (NullWritable.get(), new BytesWritable(a)))
.saveAsSequenceFile(out, None)