1 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
2 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)以便于存储(持久化)和网络传输。
反序列化就是将收到字节序列(或其他数据传输协议)或者是硬盘的持久化数据,转换成内存中的对象。
3 为什么不用 Java 的序列化?
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),精简、高效
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充分利用网络带宽,而带宽是数据中心最稀缺的资
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 常用数据序列化类型
常用的数据类型对应的 hadoop 数据序列化类型
6 自定义 bean 对象实现序列化接口(Writable)
1 自定义 bean 对象要想序列化传输,必须实现序列化接口, 需要注意以下 7 项。
1)必须实现 Writable 接口
2) 反序列化时,需要反射调用空参构造函数,所以必须有空参构造
public FlowBean() {
super();
}
3)重写序列化方法
@Override
public void write(DataOutput out) throws IOException {
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
4)重写反序列化方法
@Override
public void readFields(DataInput in) throws IOException {
upFlow = in.readLong();
downFlow = in.readLong();
sumFlow = in.readLong();
}
5) 注意反序列化的顺序和序列化的顺序完全一致
6)要想把结果显示在文件中,需要重写 toString(), 可用”\t”分开,方便后续用。
7)如果需要将自定义的 bean 放在 key 中传输,则还需要实现 comparable 接口,因为mapreduce 框中的 shuffle 过程一定会对 key 进行排序。
@Override
public int compareTo(FlowBean o) {
// 倒序排列,从大到小
return this.sumFlow > o.getSumFlow() ? -1 : 1;
}