根据spark的文档，sparksql不使用kryo或java序列化（标准）。
kyro用于RDD，而不是Dataframe或数据集。因此问题有点离题了。
kryo对sparksql有帮助吗？这详细说明了自定义对象，但是。。。
空闲时间后更新答案
你的例子并不是我所说的定制类型。它们只是带原语的结构。没问题。
kyro是一个序列化程序，ds，df的使用编码器对列的优势。kyro由spark内部用于洗牌。
此用户定义的示例 case class Foo(name: String, position: Point) 我们可以通过ds或df或kyro来实现。但是钨和催化剂“理解数据结构”有什么意义呢？从而能够优化。使用kyro还可以得到一个二进制值，我发现了一些如何成功使用它的示例，例如join。
kyro示例

import org.apache.spark.sql.{Encoder, Encoders, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
import spark.implicits._
case class Point(a: Int, b: Int)
case class Foo(name: String, position: Point)
implicit val PointEncoder: Encoder[Point] = Encoders.kryo[Point]
implicit val FooEncoder: Encoder[Foo] = Encoders.kryo[Foo]
val ds = Seq(new Foo("bar", new Point(0, 0))).toDS
ds.show()

退货：

+--------------------+
|               value|
+--------------------+
|[01 00 D2 02 6C 6...|
+--------------------+

使用case类示例的ds编码器

import org.apache.spark.sql.{Encoder, Encoders, SQLContext}
import org.apache.spark.{SparkConf, SparkContext}
import spark.implicits._
case class Point(a: Int, b: Int)
case class Foo(name: String, position: Point)
val ds = Seq(new Foo("bar", new Point(0, 0))).toDS
ds.show()

退货：

+----+--------+
|name|position|
+----+--------+
| bar|  [0, 0]|
+----+--------+

这给我的印象是Spark，钨，催化剂。
现在，更复杂的事情是当涉及到any时，但是any不是一件好事：

val data = Seq(
    ("sublime", Map(
      "good_song" -> "santeria",
      "bad_song" -> "doesn't exist")
    ),
    ("prince_royce", Map(
      "good_song" -> 4,
      "bad_song" -> "back it up")
    )
  )
val schema = List(
    ("name", StringType, true),
    ("songs", MapType(StringType, StringType, true), true)
  )
val rdd= spark.sparkContext.parallelize(data) 
rdd.collect
val df = spark.createDataFrame(rdd)
df.show()
df.printSchema()

退货：

Java.lang.UnsupportedOperationException: No Encoder found for Any.

然后这个例子很有趣，它是一个有效的自定义对象用例，在map[string，java.io.serializable]中找不到java.io.serializable的编码器。但我会远离这些。
结论
kryo vs编码器vs spark中的java序列化？声明kyro代表rdd，但代表legacy；我们可以在内部使用它。不是百分之百正确，而是切中要害。
spark：数据集序列化也是一个信息链接。
东西已经进化了，精神就是不要用kyro来做ds，df。
希望这有帮助。

kryo只创建一个编码器，使用kryo序列化t类型的对象
rowencoder是scala中的一个对象，具有apply和其他工厂方法。rowencoder可以从架构创建expressionencoder[row]。在内部，apply为行类型创建一个boundreference，并为输入模式返回expressionencoder[row]、createnamedstruct序列化程序（使用serializer或内部方法）、模式的反序列化程序和行类型
rowencoder了解模式并将其用于序列化和反序列化。
kryo比java序列化要快得多，而且更紧凑（通常高达10x），但并不支持所有可序列化的类型，需要您预先注册要在程序中使用的类以获得最佳性能。
kryo适用于高效存储大型数据集和网络密集型应用。
有关更多信息，请参阅以下链接：
https://jaceklaskowski.gitbooks.io/mastering-spark-sql/content/spark-sql-rowencoder.htmlhttpshttp://jaceklaskowski.gitbooks.io/mastering-spark-sql/content/spark-sql-encoders。htmlhttps://medium.com/@knoldus/kryo-系列化-in-spark-55b53667e7abhttps://stackoverflow.com/questions/58946987/what-are-the-pros-and-cons-of-java-serialization-vs-kryo-serialization#：：~：text=kryo%20比%20快了%20，在%20提前%20，性能最好%20。