关于数据集中的KyRo和Java编码器的问题

我用的是Spark 2.4 https://spark.apache.org/docs/latest/rdd-programming-guide.html#rdd-persistence

豆类:

public class EmployeeBean implements Serializable {

    private Long id;
    private String name;
    private Long salary;
    private Integer age;

    // getters and setters

}

星火实例:

    SparkSession spark = SparkSession.builder().master("local[4]").appName("play-with-spark").getOrCreate();

    List<EmployeeBean> employees1 = populateEmployees(1, 1_000_000);

    Dataset<EmployeeBean> ds1 = spark.createDataset(employees1, Encoders.kryo(EmployeeBean.class));
    Dataset<EmployeeBean> ds2 = spark.createDataset(employees1, Encoders.bean(EmployeeBean.class));

    ds1.persist(StorageLevel.MEMORY_ONLY());
    long ds1Count = ds1.count();

    ds2.persist(StorageLevel.MEMORY_ONLY());
    long ds2Count = ds2.count();

我在Spark Web用户界面中寻找存储空间。有用部分

ID  RDD Name                                           Size in Memory   
2   LocalTableScan [value#0]                           56.5 MB  
13  LocalTableScan [age#6, id#7L, name#8, salary#9L]   23.3 MB

几个问题:

• KRIO序列化RDD的大小不应该小于Java序列化RDD,而不是大于两倍的大小吗?

• 我也尝试过 MEMORY_ONLY_SER() 模式和RDD大小相同。RDD作为序列化的Java对象应该被存储为每个分区的一个字节数组。持久化RDD的大小不应该小于反序列化RDD吗?

• 在创建数据集时,添加kryo和bean编码器究竟在做什么?

• 为了提高可读性,我可以重命名持久化的RDD吗?