Hadoop字符转码的实现

    在hadoop中最常见的就是Text，而Text对象是继承了BinaryComparable且实现了WritableComparable接口。在Text内部封装了原始二进制数据byte数组和长度，并且提供了编码解码的工具类，Text的toString()方法是已经解码过的。

    今天在工作中遇到一个问题，我的一个job输出格式为TextInputFormat，但是在另一个job读取的时候总是读取的数据不对，new String(text.getBytes())，使用的是这个方法，后来看hadoop源码发现getBytes()返回的是未经解码的二进制流。

    Hadoop默认使用的是UTF-8编码方式。在Hadoop使用过程中，需要将其他的编码方式进行转码以防止乱码的出现。在Hadoop中出现乱码的情景是TextFileInputFormat，即处理Text的情景。在这种情况下，Value一般是Text。为了实现转码我们看一下Text的实现。在Text中包含了源数据的byte数组以及其中数据的长度，这是原始数据，不经过编码的。在Text类中包含了CharsetEncoder和CharsetDecoder两个变量，这两个变量都是UTF-8编码。当把byte数据写到文件时(writeString方法)需要对其进行Encode，将其编码成UTF-8格式。当Text读入数据时(readString方法），用Decoder将其从UTF-8模式转码成Unicode。
在Map执行过程中，Text的byte数组是原始数据的byte数组，可以直接将该数组进行转码，具体实现如下：

protected void map(LongWritable key, Text value, Context context)
            throws IOException, InterruptedException {
    byte[] valueBytes = value.getBytes();
    String result = new String(valueBytes, "GB2312");
    context.write(key, new Text(result));
}