Hadoop序列化

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、序列化概念，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

Java类型	Hadoop Writable类型
boolean	BooleanWritable
byte	ByteWritable
int	IntWritable
float	FloatWritable
long	LongWritable
double	DoubleWritable
string	Text
map	MapWritable
array	ArrayWritable

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; }