hadoop文件的序列化

为什么要序列化？

        一般来说，“活的”对象只生存在内存里，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。

什么是序列化？

        序列化就是指将结构化对象 （实例） 转化为字节流 （字符数组）。反序列化就是将字节流转向结构化对象的逆过程。 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。 

        将对象序列化存储到文件，术语又叫“持久化”。将对象序列化发送到远程计算机，术语又叫“数据通信”。

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。

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； 

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;      

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 {  

/** 

* 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);  

}

Hadoop 需要自定义 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。

        Writable 是 MapReduce 数据路径的核心，所以调整二进制表示对其性能有显著影响。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。

自定义一个 Writable 类型 TextPair

        为了演示如何创建一个自定义 Writable ，编写一个一对字符串的实现，对象名称为 TextPair，代码如下所示。

importjava.io.*;

importorg.apache.hadoop.io.*;

public class TextPair implements WritableComparable {

private Text first;//Text 类型的实例变量 first

private Text second;//Text 类型的实例变量 second

public TextPair() {

set(newText(),newText());

}

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;

}

//将对象转换为字节流并写入到输出流out中

@Override

public void write(DataOutput out)throwsIOException {

first.write(out);

second.write(out);

}

//从输入流in中读取字节流反序列化为对象

@Override

public void readFields(DataInput in)throwsIOException {

first.readFields(in);

second.readFields(in);

}

@Override

public int hashCode() {

return first.hashCode() *163+ second.hashCode();

}

@Override

public boolean equals(Object o) {

if(o instance of TextPair) {

TextPair tp = (TextPair) o;

return first.equals(tp.first) && second.equals(tp.second);

}

return false;

}

@Override

publicString toString() {

return first +"\t"+ second;

}

//排序

@Override

public 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)和相关的构造函数、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。