Hadoop 序列化

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;
}