Hadoop（十一）Hadoop IO之序列化与比较功能实现详解
阅读目录(Content)
- 一、序列化和反序列化概述
- 1.1、序列化和反序列化的定义
- 1.2、序列化和反序列化的应用
- 1.3、RPC序列化格式要求
- 二、Hadoop中和虚序列化相关的接口和类
- 1.1、Hadoop对基本数据类型的包装
- 1.2、Writable接口
- 1.3、实例解释Java和Hadoop数据类型序列化的差别
- 1.4、在Hadoop中写一个序列化的类
- 四、Hadoop中和比较相关的接口和类
- 4.1、WritableComparable接口
- 4.2、RawComparator接口
- 4.3、WritableComparator类
- 五、Hadoop实现序列化和比较功能
- 5.1、核心代码
前言
上一篇给大家介绍了Hadoop是怎么样保证数据的完整性的，并且使用Java程序来验证了会产生.crc的校验文件。这一篇给大家分享的是Hadoop的序列化！
一、序列化和反序列化概述
1.1、序列化和反序列化的定义
1）序列化：将结构化对象转换为字节流的过程，以便在网络上传输或写入到磁盘进行永久存储的过程。
2）反序列化：将字节流转回一系列的相反过程结构化对象。
注意：其实流就是字节数组，我们把数据转变成一系列的字节数组（0101这样的数据）
1.2、序列化和反序列化的应用
1）进程间的通信
2）持久化存储
1.3、RPC序列化格式要求
在Hadoop中，系统中多个节点上进程间的通信是通过“远程过程调用（RPC）”实现的。RPC协议将消息序列化成 二进制流后发送到远程节点，远程节点
将二进制流反序列化为原始信息。通常情况下，RPC序列化格式如下：
1）紧凑（compact）
紧凑格式能充分利用网络带宽。
2）快速（Fast）
进程间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..最基本的。
3）可扩展（Extensible）
为了满足新的需求，协议不断变化。所以控制客户端和服务器的过程中，需要直接引进相应的协议。
4）支持互操作（Interoperable）
对于某些系统来说，希望能支持以不同语言写的客户端与服务器交互，所以需要设计需要一种特定的格式来满足这一需求。
二、Hadoop中和虚序列化相关的接口和类
在Java中将一个类写为可以序列化的类是实现Serializable接口
在Hadoop中将一个类写为可以序列化的类是实现Writable接口，它是一个最顶级的接口。
1.1、Hadoop对基本数据类型的包装
Hadoop参照JDK里面的数据类型实现了自己的数据类型，Hadoop自己实现的原理会使数据更紧凑一些，效率会高一些。序列化之后的字节数组大小会比
JDK序列化出来的更小一些。
所有Java基本类型的可写包装器，除了char（可以是存储在IntWritable中）。所有的都有一个get（）和set（）方法来检索和存储包装值。
Java中的String对应着Hadoop中的Text，Text可以存储2G的字符串大小。
1.2、Writable接口
1）Writable接口概述
2）接口中的方法
Writable接口定义了两个方法：
一个将其状态写到DataOutput二进制流，另一个从DataInput二进制流读取状态。
3）API中Writable接口的例子：
public class MyWritable implements Writable {
// Some data
private int counter;
private long timestamp;
public void write(DataOutput out) throws IOException {
out.writeInt(counter);
out.writeLong(timestamp);
}
public void readFields(DataInput in) throws IOException {
counter = in.readInt();
timestamp = in.readLong();
}
public static MyWritable read(DataInput in) throws IOException {
MyWritable w = new MyWritable();
w.readFields(in);
return w;
}
}
思考：在Java中已经有序列化和反序列化相关的类和方法，为什么Hadoop还要去自己设计一套呢？
因为Hadoop认为Java设计的序列化和反序列化相关的类和方法性能不够好，效率太低了。所以就自己设计一套。
4）Writable的继承关系
1.3、实例解释Java和Hadoop数据类型序列化的差别
1）核心代码
import java.io.ByteArrayInputStream;
import java.io.ByteArrayOutputStream;
import java.io.DataInputStream;
import java.io.IOException;
import java.io.ObjectOutputStream;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Writable;
//测试使用Hadoop序列化和JDK序列化之间的区别
public class SerializationCompare_0010{
//Writable是Hadoop中所有数据类型的父类（父接口）。
public static byte[] serialize(Writable writable) throws IOException{
//这是一种编程思想，因为我们返回的是一个字节数组，所以进行了一下流的转换。
ByteArrayOutputStream baos=
new ByteArrayOutputStream();
ObjectOutputStream oos=
new ObjectOutputStream(baos);
writable.write(oos);
oos.close();
return baos.toByteArray();
}
//能序列化的一定是类类型，所以这里使用int类型的包装类
public static byte[] serialize(Integer integer) throws IOException{
ByteArrayOutputStream baos=
new ByteArrayOutputStream();
ObjectOutputStream oos=
new ObjectOutputStream(baos);
oos.writeInt(integer);
oos.close();
return baos.toByteArray();
}
public static Writable deserialize(byte[] bytes) throws IOException{
ByteArrayInputStream bais=
new ByteArrayInputStream(bytes);
DataInputStream dis=
new DataInputStream(bais);
IntWritable iw=new IntWritable();
iw.readFields(dis);
return iw;
}
public static void main(String[] args) throws IOException{
IntWritable iw=new IntWritable(200);
//hadoop也可以使用set方法传值
// iw.set(300);
byte[] bytes=serialize(iw);
System.out.println("Hadoop："+bytes.length);
//Writable deIw=deserialize(bytes);
//System.out.println("Hadoop Deserialize："+deIw);
Integer integer=new Integer(200);
bytes=serialize(integer);
System.out.println("Java："+bytes.length);
}
}
2）测试结果
其实这里虽然是字节数组长度相同，但是在大数据中，其实是Hadoop占优势的。
1.4、在Hadoop中写一个序列化的类
1）核心代码
import java.io.ByteArrayOutputStream;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.DataOutputStream;
import java.io.IOException;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import org.apache.hadoop.io.BooleanWritable;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
public class StudentDemo_0010{
public static void main(String[] args) throws IOException{
Student student=new Student();
student.setId(new IntWritable(10));
student.setName(new Text("Lance"));
student.setGender(true);
ByteArrayOutputStream baos=
new ByteArrayOutputStream();
DataOutputStream dos=
new DataOutputStream(baos);
student.write(dos);
byte[] data=baos.toByteArray();
System.out.println(Arrays.toString(data));
System.out.println(data.length);
// 将data进行反序列化？
}
}
class Student implements Writable{
private IntWritable id;
private Text name;
private boolean gender;
private List<Text> list=new ArrayList<>();
Student(){
id=new IntWritable();
name=new Text();
}
/**
*
* @param student
*/
Student(Student student){
// 在Hadoop中这属于引用复制，完全杜绝这种现象
//this.id=student.id;
//this.name=student.name;
// 在Hadoop中要使用属性值的复制
id=new IntWritable(student.id.get());
name=new Text(student.name.toString());
}
@Override
public void write(DataOutput out) throws IOException{
id.write(out);
name.write(out);
BooleanWritable gender=
new BooleanWritable(this.gender);
gender.write(out);
// 在Hadoop中序列化Java中所对应的集合的时候，
// 应该现将集合的长度进行序列化，然后将集合中的
// 每一个元素进行序列化
int size=list.size();
new IntWritable(size).write(out);
for(int i=0;i<size;i++){
Text text=list.get(i);
text.write(out);
}
}
@Override
public void readFields(DataInput in) throws IOException{
id.readFields(in);
name.readFields(in);
BooleanWritable bw=new BooleanWritable();
bw.readFields(in);
gender=bw.get();
// 在反序列化集合的时候应该先反序列化集合的长度
IntWritable size=new IntWritable();
size.readFields(in);
// 再反序列化流中所对应的结合中的每一个元素
list.clear();
for(int i=0;i<size.get();i++){
Text text=new Text();
text.readFields(in);
list.add(text);// 此步骤有没有问题？？？
}
}
public IntWritable getId(){
return id;
}
public void setId(IntWritable id){
this.id=id;
}
public Text getName(){
return name;
}
public void setName(Text name){
this.name=name;
}
public boolean isGender(){
return gender;
}
public void setGender(boolean gender){
this.gender=gender;
}
public List<Text> getList(){
return list;
}
public void setList(List<Text> list){
this.list=list;
}
}
2）测试执行：
注意：" 第一部分"：代表的是id，占四个字节。
“第二部分”：代表的是name，首先5是代表字符的长度，后面是字符的ASCII码。
注意如果将name的值改为中文，比如“二蛋子”如果是GBK编码就会占6个字节，如果是UTF-8编码就会占9个字节。
“第三部分”：代表的是gender，1表示ture，0表示false。
“第四部分”：在我们list中的size，虽然这里没有数据，但是int类型的仍然会占4个字节数。
四、Hadoop中和比较相关的接口和类
4.1、WritableComparable<T>接口
1）概述
继承了两个接口
2）相关方法
继承过来的三个方法
4.2、RawComparator<T>接口
1）概述
2）相关方法
除了Comparator中继承的两个方法，它自己也定义了一个方法有6个参数，这是在字节流的层面上去做比较。（第一个参数：指定字节数组，第二个参数：从哪里开始比较，第三个参数：比较多长）
在考虑到使用RawComparator比较不方便，有出现了一个实现类。
4.3、WritableComparator类
1）概述
2）构造方法
3）相关方法
截取了部分
介绍了上面的类和这些方法，我们Hadoop中有实现了一些既可以序列化也可以比较的类：
那我们如果自定义一个类型去实现比较的功能呢？在我们前面写了一个Student的类，它具有序列化的功能，那怎么样才能有比较的功能呢？
在Java中如果让一个类的对象具有可比较性
1）实现Comparable接口
2）编写独立的比较器，Comparator
而在Hadoop如果你要实现比较的功能有：
从上面的图中可以看出：
要是一个类具有比较功能又有序列化的功能可以去实现WritableComparable接口，如果你要一个类只要有比较功能
可以去写一个比较器用RawComparator或WritableComparator。
总的来说最好还是去实现WritableComparable接口，因为又有序列化的功能又有比较的功能。
五、Hadoop实现序列化和比较功能
功能分析：
5.1、核心代码
import java.io.ByteArrayInputStream;
import java.io.ByteArrayOutputStream;
import java.io.DataInput;
import java.io.DataInputStream;
import java.io.DataOutput;
import java.io.DataOutputStream;
import java.io.IOException;
import org.apache.hadoop.io.BooleanWritable;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.IntWritable.Comparator;
import org.apache.hadoop.io.RawComparator;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.VIntWritable;
import org.apache.hadoop.io.WritableComparable;
import org.apache.hadoop.io.WritableUtils;
public class P00120_AccountWritable_0010{
public static void main(String[] args){
AccountWritable aw1=new AccountWritable();
aw1.set(new IntWritable(30),new Text("zyh"),new BooleanWritable(true));
AccountWritable aw2=new AccountWritable();
aw2.set(new IntWritable(30),new Text("zyh"),new BooleanWritable(true));
AccountWritable.DiyComparator comparator=new AccountWritable.DiyComparator();
System.out.println(comparator.compare(aw1,aw2));
}
}
class AccountWritable
implements WritableComparable<AccountWritable>{
private IntWritable code;
private Text name;
private BooleanWritable gender;
AccountWritable(){
code=new IntWritable();
name=new Text();
gender=new BooleanWritable();
}
// 把参数类型和类类型相同的构造器，叫复制构造器
AccountWritable(AccountWritable aw){
code=new IntWritable(aw.getCode().get());
name=new Text(aw.getName().toString());
gender=new BooleanWritable(aw.getGender().get());
}
public void set(IntWritable code,Text name,BooleanWritable gender){
this.code=new IntWritable(code.get());
this.name=new Text(name.toString());
this.gender=new BooleanWritable(gender.get());
}
@Override
public int compareTo(AccountWritable o){
/*return this.code.compareTo(o.code)!=0?code.compareTo(o.code):
(name.compareTo(o.name)!=0?name.compareTo(o.name):(this.gender.compareTo(o.gender)!=0?gender.compareTo(o.gender):0));*/
int comp=this.code.compareTo(o.code);
if(comp!=0){
return comp;
}else{
comp=this.name.compareTo(o.name);
if(comp!=0){
return comp;
}else{
comp=this.gender.compareTo(o.gender);
if(comp!=0){
return comp;
}else{
return 0;
}
}
}
}
@Override
public void write(DataOutput out) throws IOException{
code.write(out);
name.write(out);
gender.write(out);
}
@Override
public void readFields(DataInput in) throws IOException{
code.readFields(in);
name.readFields(in);
gender.readFields(in);
}
//实现一个比较器
static class DiyComparator
implements RawComparator<AccountWritable>{
private IntWritable.Comparator ic=
new Comparator();
private Text.Comparator tc=
new Text.Comparator();
private BooleanWritable.Comparator bc=
new BooleanWritable.Comparator();
@Override
public int compare(byte[] b1,int s1,int l1,byte[] b2,int s2,int l2){
// code被序列化后在b1和b2数组中的起始位置以及字节长度
int firstLength=4;
int secondLength=4;
int firstStart=s1;
int secondStart=s2;
int firstOffset=0;
int secondOffset=0;
// 比较字节流中的code部分
int comp=ic.compare(
b1,firstStart,firstLength,
b2,secondStart,secondLength);
if(comp!=0){
return comp;
}else{
try{
// 获取记录字符串的起始位置
firstStart=firstStart+firstLength;
secondStart=secondStart+secondLength;
// 获取记录字符串长度的VIntWritable的值的长度，被称为offset
firstOffset=WritableUtils.decodeVIntSize(b1[firstStart]);
secondOffset=WritableUtils.decodeVIntSize(b2[secondStart]);
// 获取字符串的长度
firstLength=readLengthValue(b1,firstStart);
secondLength=readLengthValue(b2,secondStart);
}catch(IOException e){
e.printStackTrace();
}
// 比较字节流中的name部分
comp=tc.compare(b1,firstStart+firstOffset,firstLength,b2,secondStart+secondOffset,secondLength);
if(comp!=0){
return comp;
}else{
firstStart+=(firstOffset+firstLength);
secondStart+=(secondOffset+secondLength);
firstLength=1;
secondLength=1;
// 比较字节流中的gender部分
return bc.compare(b1,firstStart,firstLength,b2,secondStart,secondLength);
}
}
}
private int readLengthValue(
byte[] bytes,int start) throws IOException{
DataInputStream dis=
new DataInputStream(
new ByteArrayInputStream(
bytes,start,WritableUtils.decodeVIntSize(bytes[start])));
VIntWritable viw=new VIntWritable();
viw.readFields(dis);
return viw.get();
}
@Override
public int compare(AccountWritable o1,AccountWritable o2){
ByteArrayOutputStream baos1=new ByteArrayOutputStream();
DataOutputStream dos1=new DataOutputStream(baos1);
ByteArrayOutputStream baos2=new ByteArrayOutputStream();
DataOutputStream dos2=new DataOutputStream(baos2);
try{
o1.write(dos1);
o2.write(dos2);
dos1.close();
dos2.close();
byte[] b1=baos1.toByteArray();
byte[] b2=baos2.toByteArray();
return compare(b1,0,b1.length,b2,0,b2.length);
}catch(IOException e){
e.printStackTrace();
}
return 0;
}
}
public IntWritable getCode(){
return code;
}
public void setCode(IntWritable code){
this.code=code;
}
public Text getName(){
return name;
}
public void setName(Text name){
this.name=name;
}
public BooleanWritable getGender(){
return gender;
}
public void setGender(BooleanWritable gender){
this.gender=gender;
}
}
注意如果一个类即实现了WritableComparatable接口又写了比较器，优先使用比较器。
-END-
