MapReducer中文编码

如果输入文件有中文，输出文件可能会出现乱码。乱码问题的话一般都是编解码错误。
本文的最后有一篇参考文档，那篇文档已经解决了问题了，但是，可是自己是小白，那篇文档没做解释的话，有的我理解不了，所以就把那篇文章解释了一遍。基础好的可以直接看那篇文章。

编码的问题

首先看一下这段代码

String s = "中国";
Text t1 = new Text();
Text t2 = new Text();

t1.set(s.getBytes());
t2.set(s);


############  s   #####################
System.out.println(new String(s.toString()));
//结果是：中国

test01.printByte(s.getBytes());
//结果是：-42   -48 -71 -6

############   t1  ##################
System.out.println(new String(t1.toString()));
//结果是：?й?

test01.printByte(t1.getBytes());  // 打印数组的方法
//结果是：-42   -48 -71 -6

############   t2  #################
System.out.println(new String(t2.toString()));
//结果是：中国

test01.printByte(t2.getBytes());  // 打印数组的方法
//结果是：-28   -72 -83 -27 -101    -67     

说明一下 Text不是简单的封装String 这句话。
如果你看源码的话，你可以看到，Text类里核心是一个byte数组，而String类的核心是一个char数组。
java的默认编码格式为Unicode，Text默认且惟一的编码格式为UTF-8。

用Text.set( byte[] )赋值时，是把String的char[]数组按照Unicode编码格式找到 ‘中国’ ，然后转换成byte[] ，再赋值给t1的核心byte[] ,
而使用Text.set( string )赋值时，把String的char[]数组按照Unicode编码格式找到 ‘中国’ ，然后查找utf-8编码表，依次查出 ‘中国’ 的byte，然后赋给t2的核心byte[]。所以说 t1中保存的Unicode(也就是最原始的编码格式) 编码的字节。t2保存的是经过转换的，utf-8编码格式的字节。

然后就是Text.toString() 方法了，Text会默认把自己核心的byte[]数组用utf-8解码出一个String，纵使byte[]不是utf-8编码的。这就解释了为什么t1.toString() 打印出来的是乱码，因为t1的toString方法把 -42 -48 -71 -6 按utf-8解码，然后就是乱码了，t2.toString()打印出来是 ‘中国’的原因是 其核心byte[] 就是由utf-8编码的，在用 utf-8 解码，自然不会出错。

我们出现乱码的原因跟 t1 乱码的原因一样，在Task中，我们读入文件时，是按字节读入的，然后用Text.set( byte[] )方法赋值给map函数中第二个参数value。而输出代码是在TextOutputFormat类的writeObject方法，其源码如下：

...
## TextOutputFormat规定死了，就是要用utf-8解码
private static final String utf8 = "UTF-8";
...
 private void writeObject(Object o) throws IOException {
      if (o i