hadoop文件序列化
为什么序列化？
一般来说，活的对象只生存在内存里，关机断电就没了，而且活的对象只能在本地的进程使用，不能被发送到网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。
什么是序列化？
序列化就是指将结构化对象转化为字节流(字符数组)。反序列化就是将字节流转向结构化对象的 逆过程。于是，如果想把活的对象储存到文件，储存这串字节即可，如果想把活的对象发送到远程主机，发送这串字节即可，需要对象的时候，做一下反序列化，就能讲对象复活了。
将对象序列化存储到文件，术语叫“持久化”。将对象序列化发送到远程计算机，术语又叫数据通信。
为什么不用Java的序列化？
Java的序列化机制的缺点就是计算量开销大，且序列化的结果体积大太，有时能达到对象大小的数倍乃至十倍。它的引用机制也会导致大文件不能分割的问题。这些缺点使得Java的序列化机制对Hadoop来说是不合适的。于是Hadoop设计了自己的序列化机制。
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能充分利用网络带宽，而带宽是数据中心最稀缺的资源；
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；
Hadoop中定义哪些序列化相关的接口呢？
Hadoop中定义了两个序列化相关的接口：Writable 接口和 Comparable 接口，这两个接口可以合并成一个接口 WritableComparable。下面我们就了解一下这两个序列化接口：
Writable接口
所有实现了Writable接口的类都可以被序列化和反序列化。 Writable 接口中定义了两个方法，分别为write(DataOutput out)和readFields(DataInput in)。write 用于将对象状态写入二进制格式的DataOutput流，readFields 用于从二进制格式的 DataInput 流中读取对象状态。
package org.apache.hadoop.io;
import java.io.DataOutput;
import java.io.DataInput;
import java.io.IOException;
public interface Writable {
/**
* 将对象转换为字节流并写入到输出流out中
*/
void write(DataOutput out) throws IOException;
/**
* 从输入流in中读取字节流反序列化为对象
*/
void readFields(DataInput in) throws IOException;
}
对于一个特定的 Writable，我们可以对它进行哪些操作呢？有两种常用操作：赋值和取值，这里我们以 IntWritable 为例来分别说明（IntWritable 是对 Java 的 int 类型的封装）。
1、通过 set() 函数设置 IntWritable 的值。
IntWritable value = new IntWritable();
value.set(588)
类似的，也可以使用构造函数来赋值。
IntWritable value = new IntWritable(588);
2、通过get() 函数获取 IntWritable 的值。
int result = value.get();//这里获取的值为588
Comparable接口
所有实现了Comparable的对象都可以和自身相同类型的对象比较大小。该接口定义为：
package java.lang;
import java.util.*;
public interface Comparable {
/**
* 将this对象和对象o进行比较，约定：返回负数为小于，零为大于，整数为大于
*/
public int compareTo(T o);
}
Hadoop 需要自定义 Writable 接口
虽然 Hadoop 自带一系列Writable实现，如IntWritable，LongWritable等，可以满足一些简单的数据类型。但有时，复杂的数据类型需要自己自定义实现。通过自定义Writable，能够完全控制二进制表示和排序顺序。
Writable 是 MapReduce 数据路径的核心，所以调整二进制表示对其性能有显著影响。现有的 Hadoop Writable 应用已得到很好的优化， 但为了对付更复杂的结构，最好创建一个新的 Writable 类型，而不是使用已有的类型。下面我们来学习一下如何自定义 Writable 类型。
自定义一个 Writable 类型 TextPair
为了演示如何创建一个自定义 Writable ，编写一个一对字符串的实现，对象名称为 TextPair，代码如下所示。
importjava.io.*;
importorg.apache.hadoop.io.*;
public class TextPair implements WritableComparable {
private Text first;//Text 类型的实例变量 first
private Text second;//Text 类型的实例变量 second
public TextPair() {
set(newText(),newText());
}
public TextPair(String first, String second) {
set(new Text(first),new Text(second));
}
public TextPair(Text first, Text second) {
set(first, second);
}
public void set(Text first, Text second) {
this.first = first;
this.second = second;
}
public Text getFirst() {
return first;
}
public Text getSecond() {
return second;
}
//将对象转换为字节流并写入到输出流out中
@Override
public void write(DataOutput out)throwsIOException {
first.write(out);
second.write(out);
}
//从输入流in中读取字节流反序列化为对象
@Override
public void readFields(DataInput in)throwsIOException {
first.readFields(in);
second.readFields(in);
}
@Override
public int hashCode() {
return first.hashCode() *163+ second.hashCode();
}
@Override
public boolean equals(Object o) {
if(o instance of TextPair) {
TextPair tp = (TextPair) o;
return first.equals(tp.first) && second.equals(tp.second);
}
return false;
}
@Override
publicString toString() {
return first +"\t"+ second;
}
//排序
@Override
public int compareTo(TextPair tp) {
int cmp = first.compareTo(tp.first);
if(cmp !=0) {
return cmp;
}
return second.compareTo(tp.second);
}
}
TextPair对象有两个Text实例变量(first和second)和相关的构造函数、get方法和set方法。 所有的Writable实现都必须有一个默认的构造函数，以便MapReduce框架能够对它们进行实例化，进而调用readFields()方法来填充它们的字段。Writable 实例 是易变的、经常重用的，所以应该尽量避免在 write() 或 readFields() 方法中分配对象。
通过委托给每个 Text 对象本身，TextPair 的 write() 方法依次序列化输出流中的每一个 Text 对象。同样也通过委托给 Text 对象本身，readFields() 反序列化 输入流中的字节。DataOutput 和 DataInput 接口有丰富的整套方法用于序列化和反序列化 Java 基本类型，所以在一般情况下，能够完全控制 Writable 对象的数据传输格式。
正如为Java写的任意值对象一样，会重写java.lang.Object的hashCode()、equals()和toString()方法。 HashPartitioner使用hashcode()方法来选择reduce分区，所以应该确保写一个好的哈希函数来确定reduce函数的分区在大小上是相当的。
TextPair 是WritableComparable的实现，所以它提供了 compareTo()方法的实现，加入我们希望的排序：通过一个一个String逐个排序。
