Hadoop序列化和反序列化

1. 序列化从头说
    在面向对象程序设计中，类是个很重要的概念。所谓“类”，可以将它想像成建筑图纸，而对象就是根据图纸盖的大楼。类，规定了对象的一切。根据建筑图纸造房子，盖出来的就是大楼，等同于将类进行实例化，得到的就是对象。
    
    一开始，在源代码里，类的定义是明确的，但对象的行为有些地方是明确的，有些地方是不明确的。对象里不明确地方，是因为对象在运行的时候，需要处理无法预测的事情，诸如用户点了下屏幕，用户点了下按钮，输入点东西，或者需要从网络发送接收数据之类的。后来，引入了泛型的概念之后，类也开始不明确了，如果使用了泛型，直到程序运行的时候，才知道究竟是哪种对象需要处理。

    对象可以很复杂，也可以跟时序相关。一般来说，“活的”对象只生存在内存里，关机断电就没有了。一般来说，“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。

    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。

    把“活的”对象序列化，就是把“活的”对象转化成一串字节，而“反序列化”，就是从一串字节里解析出“活的”对象。于是，如果想把“活的”对象存储到文件，存储这串字节即可，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，就能将对象“复活”了。

    将对象序列化存储到文件，术语又叫“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”。

    Java对序列化提供了非常方便的支持，在定义类的时候，如果想让对象可以被序列化，只要在类的定义上加上了”implements Serializable”即可，比如说，可以这么定义”public class Building implements Serializable”，其他什么都不要做，Java会自动的处理相关一切。Java的序列化机制相当复杂，能处理各种对象关系。

    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。

2. Hadoop的序列化接口
    什么是接口？简答来说，接口就是规定，它规定类必须实现的方法。一个接口可以包含多干个方法。如果一个类说自己实现了某个接口，那么它必须实现这个接口里的所有方法。特殊情况下，接口也可以没有任何方法。

    Writable接口，也就是org.apache.hadoop.io.Writable接口。Hadoop的所有可序列化对象都必须实现这个接口。Writable接口里有两个方法，一个是write方法，将对象写入字节流，另一个是readFields方法，从字节流解析出对象。

    Java的API提供了Comparable接口，也就是java.lang.Comparable接口。这个接口只有一个方法，就是compareTo，用于比较两个对象。

    WritableComparable接口同时继承了Writable和Comparable这两个接口。

   Hadoop里的三个类IntWritable、DoubleWritable和ByteWritable，都继承了WritableComparable接口。注意，IntWritable、DoubleWritable和ByteWritable，尽管后缀是“Writable”，但它们不是接口，是类！！

    Hadoop的序列化接口还有更多的类型，在这里不一一列举。

3. IntWritable如何序列化
3.1 目录和文件结构
    这个例子演示IntWritable如何序列化。首先，创建一个IntWritable，然后，将它序列化，输出到一个字节流中。然后，创建一个新的IntWritable，从字节流中读取值，这是反序列化。

    创建目录~/intser存放源代码、编译和打包结果。在intser目录下，有两个子目录，分别是src目录和classes目录，src目录存放Java源代码，class存放编译结果。在src目录下，只有一个源代码文件IntSer.java。
3.2 IntSer.java文件的源代码

package com.brianchen.hadoop;

import java.io.DataOutputStream;
import java.io.DataInputStream;
import java.io.ByteArrayOutputStream;
import java.io.ByteArrayInputStream;
import java.io.IOException;

import org.apache.hadoop.io.Writable;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.util.StringUtils;

public class IntSer{  
  public byte[] serialize(Writable w)throws IOException{
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    DataOutputStream dataout = new DataOutputStream(out);
    w.write(dataout);
    dataout.close();
    return out.toByteArray();
  }  

  public byte[] deserialize(Writable w, byte[] bytes) throws IOException{
    ByteArrayInputStream in = new ByteArrayInputStream(bytes);
    DataInputStream datain = new DataInputStream(in);
    w.readFields(datain);
    datain.close();
    return bytes;
  }  

  public static void main(String[] args) throws Exception{
    IntWritable intw = new IntWritable(7);
    byte[] bytes = serialize(intw);
    String bytes_str = StringUtils.byteToHexString(bytes);
    System.out.println(bytes_str);

    IntWritable intw2 = new IntWritable(0);
    deserialize(intw2, bytes);
    System.out.println(intw2);
  }
}

3.3 编译
    “cd ~/intser”
    “javac -cp /home/brian/usr/hadoop/hadoop-1.2.1/hadoop-core-1.2.1.jar -d ./classes src/*.java”
3.4 打包
    “jar -cvf intser.jar -C ./classes .”

3.5 运行
    “cd ~/usr/hadoop/hadoop-1.2.1”
    “./bin/hadoop jar /home/brian/intser/intser.jar com.brianchen.hadoop.IntSer”
    首先确认Hadoop已经是运行的，然后切换到Hadoop的安装目录，然后运行，输出结果是两行，第一行是”00000007”，第二行是”7”。