Hadoop Serialize（二）

hadoop 序列化特性

在hadoop 权威指南中，有如此介绍hadoop序列化机制应有如下的特性。

1. Compact(紧凑)。紧凑的序列化机制可以充分利用数据中心的带宽。
2. Fast(快速)。进程间的通信时会大量使用序列化机制，减少序列化和反序列化的开销有利用性能的提升。
3. Extensible(可扩展)。系统升级，通信协议发生变化，类的定义发生变化，序列化机制需要支持这些升级和变化（用过java RMI的同学应该知晓如果服务端升级一个model类的定义是一件多么困难的事情）。
4. Interoperable(互操作)。可以支持不同开发语言间的通信。

java的序列化机制明显不符合上述要求。java Serialization将每个对象的类名写入输出流中，这导致了java序列化对象需要占用比原对象更多的存储空间。同时，为了减少数据量，同一个类的对象的序列化结果只输出一份元数据，并通过某种形式的引用，共享元数据。引用导致序列化后的流进行处理的时候，需要保持一些状态。但是对应mapreduce这种应用来说，上百G的文件，反序列化某个对象，需要访问文件中前面的缪一个元数据，这导致文件无法切割。同时，java序列化不断的创建新对象，对应mapreduce应用，不能重用对象，在已有对象上进行反序列化操作，而是不断创建反序列化的各种类型记录，这会带来大量的系统开销。

Writable

Hadoop引入了org.apache.hadoop.io.Writable接口。必须说明的是Writable依然不容易扩展到java以外的语言。

Writable接口有两个方法：

public interface Writable {  /**    * Serialize the fields of this object to <code>out</code>.   *    * @param out <code>DataOuput</code> to serialize this object into.   * @throws IOException   */  void write(DataOutput out) throws IOException;  /**    * Deserialize the fields of this object from <code>in</code>.     *    * <p>For efficiency, implementations should attempt to re-use storage in the    * existing object where possible.</p>   *    * @param in <code>DataInput</code> to deseriablize this object from.   * @throws IOException   */  void readFields(DataInput in) throws IOException;}

自己实现一个writable，如下：

public class MyWritable implements Writable {    private int counter;    private long timestamp;    @Override    public void write(DataOutput out) throws IOException {        out.writeInt(counter);        out.writeLong(timestamp);    }    @Override    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;    }}

在Hadoop的序列化机制中，还有几个接口比较重要。RawComparator和WritableComparable


public interface WritableComparable<T> extends Writable, Comparable<T> {
}

WritableComparable继承了Writable和Comparable接口。其中我们常接触的 IntWritable、ByteWritable、DoubleWritable等java基本类型对应的Writable类型都实现了WritableComparable接口。

RawComparator 接口允许执行这比较流中读取的未被反序列化的对象记录，从而省去了创建对象的所有开销。举例：

        RawComparator<IntWritable> rawComparator = WritableComparator.get(IntWritable.class);        IntWritable w1 = new IntWritable(520);        IntWritable w2 = new IntWritable(521);        System.out.println(rawComparator.compare(w1,w2));

WritableComparator 实现了 RawComparator，充当了RawComparator实例的一个工厂方法。源码如下：

  /** Get a comparator for a {@link WritableComparable} implementation. */  public static WritableComparator get(      Class<? extends WritableComparable> c, Configuration conf) {    WritableComparator comparator = comparators.get(c);    if (comparator == null) {      // force the static initializers to run      forceInit(c);      // look to see if it is defined now      comparator = comparators.get(c);      // if not, use the generic one      if (comparator == null) {        comparator = new WritableComparator(c, conf, true);      }    }    // Newly passed Configuration objects should be used.    ReflectionUtils.setConf(comparator, conf);    return comparator;  }