hadoop文件的序列化

项目github地址：bitcarmanlee easy-algorithm-interview-and-practice
欢迎大家star，留言，一起学习进步

1、为什么要序列化？

一般来说，"活的"对象只存在内存里，关机断电就没有了。而且"活的"对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。然而序列化可以存储"活的"对象，可以将"活的"对象发送到远程计算机。

2、什么是序列化？

序列化就是指将对象（实例）转化为字节流（字符数组）。反序列化就是将字节流转化为对象的逆过程。于是，如果想把"活的"对象存储到文件，存储这串字节即可，如果想把"活的"对象发送到远程主机，发送这串字节即可，需要对象的时候，做一下反序列化，就能将对象"复活"了。

3、为什么不用Java的序列化？

Java的序列化机制的缺点就是计算量开销大，且序列化的结果体积大太，有时能达到对象大小的数倍乃至十倍。它的引用机制也会导致大文件不能分割的问题。这些缺点使得Java的序列化机制对Hadoop来说是不合适的。于是Hadoop设计了自己的序列化机制。

4、为什么序列化对Hadoop很重要？

因为Hadoop在集群之间进行通讯或者RPC调用的时候，需要序列化，而且要求序列化要快，且体积要小，占用带宽要小。所以必须理解Hadoop的序列化机制。

序列化和反序列化在分布式数据处理领域经常出现：进程通信和永久存储。然而Hadoop中各个节点的通信是通过远程调用（RPC）实现的，那么 RPC序列化要求具有以下特点：
1.紧凑：紧凑的格式能让我们能充分利用网络带宽，而带宽是数据中心最稀缺的资源
2.快速：进程通信形成了分布式系统的骨架，所以需要尽量减少序列化和反序列化的性能开销，这是基本的
3.可扩展：协议为了满足新的需求变化，所以控制客户端和服务器过程中，需要直接引进相应的协议，这些是新协议，原序列化方式能支持新的协议报文
4.互操作：能支持不同语言写的客户端和服务端进行交互

5、Hadoop中定义哪些序列化相关的接口呢？

Hadoop中定义了两个序列化相关的接口：Writable 接口和 Comparable 接口，这两个接口可以合并成一个接口 WritableComparable
下面我们就了解一下这两个序列化接口：

Writable接口
所有实现了Writable接口的类都可以被序列化和反序列化。 Writable 接口中定义了两个方法，分别为write(DataOutput out)和readFields(DataInput in)。write 用于将对象状态写入二进制格式的DataOutput流，readFields 用于从二进制格式的 DataInput 流中读取对象状态。

package org.apache.hadoop.io;import java.io.DataOutput;import java.io.DataInput;import java.io.IOException;import org.apache.hadoop.classification.InterfaceAudience;import org.apache.hadoop.classification.InterfaceStability;public interface Writable {/*** 将对象转换为字节流并写入到输出流out中*/void write(DataOutput out) throws IOException;/*** 从输入流in中读取字节流反序列化为对象*/void readFields(DataInput in) throws IOException;
}

对于一个特定的 Writable，我们可以对它进行哪些操作呢？

有两种常用操作：赋值和取值，这里我们以 IntWritable 为例来分别说明（IntWritable是对Java的int类型的封装）

1）通过 set() 函数设置 IntWritable 的值

IntWritable value = new IntWritable();

value.set(588)

类似的，也可以使用构造函数来赋值。

IntWritable value = new IntWritable(588);

2)通过get()函数获取 IntWritable 的值。

int result = value.get();// 这里获取的值为588

Comparable接口

所有实现了Comparable的对象都可以和自身相同类型的对象比较大小。该接口定义为：

package java.lang;import java.util.*;public interface Comparable<T> {/*** 将this对象和对象o进行比较，约定：返回负数为小于，零为大于，整数为大于*/public int compareTo(T o);
}

##6、Hadoop 自定义Writable 接口

虽然 Hadoop 自带一系列Writable实现，如IntWritable，LongWritable等，可以满足一些简单的数据类型。但有时，复杂的数据类型需要自己自定义实现。通过自定义Writable，能够完全控制二进制表示和排序顺序。

现有的 Hadoop Writable 应用已得到很好的优化，但为了对付更复杂的结构，最好创建一个新的 Writable 类型，而不是使用已有的类型。下面我们来学习一下如何自定义 Writable 类型，以自定义一个Writable 类型TextPair为例，如下所示

import java.io.*;import org.apache.hadoop.io.*;/**
* @ProjectName Serialize
* @ClassName TextPair
* @Description 自定义Writable类型TextPair
* @Author 刘吉超
* @Date 2016-04-16 23:59:19
*/
public class TextPair implements WritableComparable<TextPair> {// Text 类型的实例变量private Text first;// Text 类型的实例变量private Text second;public TextPair() {set(new Text(), new Text());}public TextPair(String first, String second) {set(new Text(first), new Text(second));}public TextPair(Text first, Text second) {set(first, second);}public void set(Text first, Text second) {this.first = first;this.second = second;}public Text getFirst() {return first;}public Text getSecond() {return second;}@Override// 将对象转换为字节流并写入到输出流out中public void write(DataOutput out) throws IOException {first.write(out);second.write(out);}@Override// 从输入流in中读取字节流反序列化为对象public void readFields(DataInput in) throws IOException {first.readFields(in);second.readFields(in);}@Overridepublic int hashCode() {return first.hashCode() * 163 + second.hashCode();}@Overridepublic boolean equals(Object o) {if (o instanceof TextPair) {TextPair tp = (TextPair) o;return first.equals(tp.first) && second.equals(tp.second);}return false;}@Overridepublic String toString() {return first + "\t" + second;}// 排序@Overridepublic int compareTo(TextPair tp) {int cmp = first.compareTo(tp.first);if (cmp != 0) {return cmp;}return second.compareTo(tp.second);}
}

TextPair对象有两个Text实例变量(first和second)、相关的构造函数、get方法和set方法。所有的Writable实现都必须有一个默认的构造函数，以便MapReduce框架能够对它们进行实例化，进而调用readFields()方法来填充它们的字段。Writable实例是易变的、经常重用的，所以应该尽量避免在 write() 或 readFields() 方法中分配对象。

通过委托给每个 Text 对象本身，TextPair 的 write() 方法依次序列化输出流中的每一个 Text 对象。同样也通过委托给 Text 对象本身，readFields() 反序列化输入流中的字节。DataOutput 和 DataInput 接口有丰富的整套方法用于序列化和反序列化 Java 基本类型，所以在一般情况下，能够完全控制 Writable 对象的数据传输格式。

正如为Java写的任意值对象一样，会重写java.lang.Object的hashCode()、equals()和toString()方法。 HashPartitioner使用hashcode()方法来选择reduce分区，所以应该确保写一个好的哈希函数来确定reduce函数的分区在大小上是相当的。

TextPair是WritableComparable的实现，所以它提供了compareTo()方法的实现，加入我们希望的排序：通过一个一个String逐个排序

原文链接地址：http://www.cnblogs.com/codeOfLife/p/5400307.html#为什么序列化对Hadoop很重要