Hadoop之序列化
1.序列化概述
1.1 什么是序列化
- 序列化:就是把
内存中的对象,转换成字节序列
(或其他数据传输协议)以便于数据持久化到磁盘和网络传输. - 反序列化:就是将接收到的字节序列(或其他数据传输协议)或是
磁盘的持久化数据,转换成内存对象的过程
.
1.2 为什么要序列化
一般来说,"活的"
对象只能存在于内存中,关机断电就消失了.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一台计算机.然而序列化可以存储"活的"对象,并将它发送到远程计算机
.
1.3 为什么不使用Java的序列化(Serializable)
Java的序列化,是一个重量级序列化框架(Serializable),一个对象被序列化之后,会附带很多额外的信息(各种校验信息,Header,继承体系等),不便于在网络中高效传输
.所以,Hadoop自己开发了一套序列化机制——Writable
.
1.4 Hadoop序列化特点
- 紧凑:高效实用存储空间
- 快速:读写数据的额外开销小
- 可扩展:随着通信协议的升级而可升级
- 互操作:支持多语言的交互
2.自定义Bean对象,实现序列化接口(Writable)
企业开发中,往往需要用到自定义Bean对象,如果在Hadoop框架内部传递一个Bean对象,那么该对象就需要实现序列化接口.
- 必须实现Writable接口
- 反序列化时需要无参的构造函数,所以必须有无参构造器
- 重写序列化方法——
write
- 重写反序列化方法——
readFields
值得注意的是,反序列化的属性read顺序需要跟序列化的属性write顺序一致
.- 想要把结果显示在文件中,需要重写toString()方法,可以用"\t"分隔字段内容,方便后期使用.
- 如果自定义的Bean要作为Key,在MapReduce中传输,则Bean还需要Comparable接口,因为MapReduce框架中的
Shuffle
过程要求对key必须排序
.
3.序列化样例
- 需求
统计每个手机号的上行流量,下行流量,总流量. - 数据格式:
id | 手机号码 | ip | 上行流量 | 下行流量 | 网络状态码 |
---|---|---|---|---|---|
1 | 13700009999 | 8.8.8.8 | 1000 | 3500 | 200 |
- 期望输出格式:
手机号码 | 上行流量 | 下行流量 | 总流量 |
---|---|---|---|
13700009999 | 1000 | 3500 | 4500 |
- 示例代码
自定义Bean
package cstmbean;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
public class FlowBean implements Writable {
// 上行流量
private Long upFlow;
// 下行流量
private Long downFlow;
// 总流量
private Long sumFlow;
public FlowBean() {
// 无参构造函数,如无任何显示的带参构造函数,则可省略
}
public void set(Long upFlow, Long downFlow) {
this.upFlow = upFlow;
this.downFlow = downFlow;
this.sumFlow = upFlow + downFlow;
}
@Override
public String toString() {
return this.upFlow + "\t" + this