Spark PySpark数据类型的转换原理—Writable Converter

Spark目前支持三种开发语言：Scala、Java、Python，目前我们大量使用Python来开发Spark App（Spark 1.2开始支持使用Python开发Spark Streaming App，我们也准备尝试使用Python开发Spark Streaming App），在这期间关于数据类型的问题曾经困扰我们很长时间，故在此记录一下心路历程。

Spark是使用Scala语言开发的，Hadoop是使用Java语言开发的，Spark兼容Hadoop Writable，而我们使用Python语言开发Spark （Streaming） App，Spark Programming Guides（Spark 1.5.1）其中有一段文字说明了它们相互之间数据类型转换的关系：



也说是说，我们需要处理两个方向的转换：

（1）Writable => Java Type => Python Type；
（2）Python Type => Java Type => Writable;

其中Java Type与Python Type之间数据类型的转换依赖开源组件Pyrolite，相应的数据类型转换如下：

（1）Python Type => Java Type；



（2）Java Type => Python Type；



也就是说，Pyrolite已经为Java Type与Python Type之间的数据类型转换建立了“标准”，我们仅仅需要处理Writable与Java Type之间的数据转换就可以了。

从上图“Writable Support”中可以看出PySpark已经为我们解决了常用的数据类型转换问题，但可以理解为“基本”数据类型，遇到复杂的情况，还是需要我们特殊处理，PySpark已经为我们考虑到了这种业务场景，为我们提供接口Converter（org.apache.spark.api.python.Converter），使得我们可以根据自己的需要扩展数据类型转换机制：



接口Converter仅仅只有一个方法convert，其中T表示源数据类型，U表示目标数据类型，参数obj表示源数据值，返回值表示目标数据值。

Spark Programming Guides（Spark 1.5.1）也为我们举例说明了一个需要自定义Converter的场景：



ArrayWritable是Hadoop Writable的一种，因为Array涉及到元素数据类型的问题，因此使用时需要实现相应的子类，如元素数据类型为整型：



从上面的描述可知，PySpark使用ArrayWritable时涉及到如下两个方向的数据类型转换：

（1）Tuple => Object[] => ArrayWritable；
（2）ArrayWritable => Object[] => Tuple；

我们以IntArrayWritable为例说明如何自定义扩展Converter，同理也需要处理两个方向的数据类型转换：Tuple => Object[] => ArrayWritable、ArrayWritable => Object[] => Tuple。

（1）Tuple => Object[] => IntArrayWritable；

假设我们有一个list，list的元素类型为tuple，而tuple的元素类型为int，我们需要将这个list中的所有数据以SequenceFile的形式保存至HDFS。对于list中的每一个元素tuple，Pyrolite可以帮助我们完成Tuple => Object[]的转换，而Object[] => IntArrayWritable则需要我们自定义Converter实现。



PySpark中使用这个Converter写入数据：



注意：SequenceFile的数据结构为<key, value>，为了简单起见，key指定为com.sina.dip.spark.converter.IntArrayWritable，value指定为org.apache.hadoop.io.NullWritable（即空值）。

运行上述程序时，因为有使用到我们自定义的类，因此需要将com.sina.dip.spark.converter.IntArrayWritable、com.sina.dip.spark.converter.ObjectArrayToIntArrayWritableConverter编译打包为独立的Jar：converter.jar，并通过参数指定，如下：

/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit --jars converter.jar 1.5.1/examples/app/spark_app_save_data_to_seqfile.py

（2）IntArrayWritable => Object[] => Tuple；

我们需要将（1）中写入SequenceFile的Key（IntArrayWritable）还原为list，其中list的元素类型为tuple，tuple的元素类型为int，IntArrayWritable => Object[]也需要用到我们自定义的Converter（Object[] => Tuple由Pyrolite负责）：



PySpark使用这个Converter读取数据：



同（1），我们需要将com.sina.dip.spark.converter.IntArrayWritable、com.sina.dip.spark.converter.IntArrayWritableToObjectArrayConverter编译打包为独立的Jar：converter.jar，并通过参数指定，如下：

/usr/lib/spark-1.5.1-bin-2.5.0-cdh5.3.2/bin/spark-submit --jars converter.jar 1.5.1/examples/app/spark_app_read_data_from_seqfile.py

输出结果：



可以看出，通过自定义扩展的Converter：com.sina.dip.spark.converter.ObjectArrayToIntArrayWritableConverter、com.sina.dip.spark.converter.IntArrayWritableToObjectArrayConverter，我们实现了IntArrayWritable（com.sina.dip.spark.converter.IntArrayWritable）与Tuple（Python）之间的转换。