【转】hadoop深入研究:(十一)——序列化与Writable实现

原文链接 http://blog.csdn.net/lastsweetop/article/details/9249411

所有源码在github上，https://github.com/lastsweetop/styhadoop

简介

在hadoop中，Writable的实现类是个庞大的家族，我们在这里简单的介绍一下常用来做序列化的一部分。

java原生类型

除char类型以外，所有的原生类型都有对应的Writable类，并且通过get和set方法可以他们的值。

IntWritable和LongWritable还有对应的变长VIntWritable和VLongWritable类。

固定长度还是变长的选用类似与数据库中的char或者vchar，在这里就不赘述了。

Text类型

Text类型使用变长int型存储长度，所以Text类型的最大存储为2G.

Text类型采用标准的utf-8编码，所以与其他文本工具可以非常好的交互，但要注意的是，这样的话就和java的String类型差别就很多了。

检索的不同

Text的chatAt返回的是一个整型，及utf-8编码后的数字，而不是象String那样的unicode编码的char类型。

@Test
public void testTextIndex(){
    Text text=new Text("hadoop");
    Assert.assertEquals(text.getLength(), 6);
    Assert.assertEquals(text.getBytes().length, 6);
    Assert.assertEquals(text.charAt(2),(int)'d');
    Assert.assertEquals("Out of bounds",text.charAt(100),-1);
}

Text还有个find方法，类似String里indexOf方法

@Test
public void testTextFind() {
    Text text = new Text("hadoop");
    Assert.assertEquals("find a substring",text.find("do"),2);
    Assert.assertEquals("Find first 'o'",text.find("o"),3);
    Assert.assertEquals("Find 'o' from position 4 or later",text.find("o",4),4);
    Assert.assertEquals("No match",text.find("pig"),-1);
}

Unicode的不同

当uft-8编码后的字节大于两个时，Text和String的区别就会更清晰，因为String是按照unicode的char计算，而Text是按照字节计算。

我们来看下1到4个字节的不同的unicode字符

 

4个unicode分别占用1到4个字节，u+10400在java的unicode字符重占用两个char，前三个字符分别占用1个char

我们通过代码来看下String和Text的不同

@Test
   public void string() throws UnsupportedEncodingException {
       String str = "u0041u00DFu6771uD801uDC00";
       Assert.assertEquals(str.length(), 5);
       Assert.assertEquals(str.getBytes("UTF-8").length, 10);

       Assert.assertEquals(str.indexOf("u0041"), 0);
       Assert.assertEquals(str.indexOf("u00DF"), 1);
       Assert.assertEquals(str.indexOf("u6771"), 2);
       Assert.assertEquals(str.indexOf("uD801uDC00"), 3);

       Assert.assertEquals(str.charAt(0), 'u0041');
       Assert.assertEquals(str.charAt(1), 'u00DF');
       Assert.assertEquals(str.charAt(2), 'u6771');
       Assert.assertEquals(str.charAt(3), 'uD801');
       Assert.assertEquals(str.charAt(4), 'uDC00');

       Assert.assertEquals(str.codePointAt(0), 0x0041);
       Assert.assertEquals(str.codePointAt(1), 0x00DF);
       Assert.assertEquals(str.codePointAt(2), 0x6771);
       Assert.assertEquals(str.codePointAt(3), 0x10400);
   }

   @Test
   public void text() {
       Text text = new Text("u0041u00DFu6771uD801uDC00");
       Assert.assertEquals(text.getLength(), 10);

       Assert.assertEquals(text.find("u0041"), 0);
       Assert.assertEquals(text.find("u00DF"), 1);
       Assert.assertEquals(text.find("u6771"), 3);
       Assert.assertEquals(text.find("uD801uDC00"), 6);

       Assert.assertEquals(text.charAt(0), 0x0041);
       Assert.assertEquals(text.charAt(1), 0x00DF);
       Assert.assertEquals(text.charAt(3), 0x6771);
       Assert.assertEquals(text.charAt(6), 0x10400);
   }

这样一比较就很明显了。

1.String的length()方法返回的是char的数量，Text的getLength()方法返回的是字节的数量。

2.String的indexOf()方法返回的是以char为单元的偏移量，Text的find()方法返回的是以字节为单位的偏移量。

3.String的charAt()方法不是返回的整个unicode字符，而是返回的是java中的char字符

4.String的codePointAt()和Text的charAt方法比较类似，不过要注意，前者是按char的偏移量，后者是字节的偏移量

Text的迭代

在Text中对unicode字符的迭代是相当复杂的，因为与unicode所占的字节数有关，不能简单的使用index的增长来确定。首先要把Text对象使用ByteBuffer进行封装，然后再调用Text的静态方法bytesToCodePoint对ByteBuffer进行轮询返回unicode字符的code point。看一下示例代码：

package com.sweetop.styhadoop;

import org.apache.hadoop.io.Text;

import java.nio.ByteBuffer;

/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-7-9
 * Time: 下午5:00
 * To change this template use File | Settings | File Templates.
 */
public class TextIterator {
    public static void main(String[] args) {
        Text text = new Text("u0041u00DFu6771uD801udc00");
        ByteBuffer buffer = ByteBuffer.wrap(text.getBytes(), 0, text.getLength());
        int cp;
        while (buffer.hasRemaining() && (cp = Text.bytesToCodePoint(buffer)) != -1) {
            System.out.println(Integer.toHexString(cp));
        }
    }
}

Text的修改

除了NullWritable是不可更改外，其他类型的Writable都是可以修改的。你可以通过Text的set方法去修改去修改重用这个实例。

@Test
public void testTextMutability() {
    Text text = new Text("hadoop");
    text.set("pig");
    Assert.assertEquals(text.getLength(), 3);
    Assert.assertEquals(text.getBytes().length, 3);
}

但要注意的就是，在某些情况下Text的getBytes方法返回的字节数组的长度和Text的getLength方法返回的长度不一致。因此，在调用getBytes()方法的同时最好也调用一下getLength方法，这样你就知道在字节数组里有多少有效的字符。

@Test
public void testTextMutability2() {
    Text text = new Text("hadoop");
    text.set(new Text("pig"));
    Assert.assertEquals(text.getLength(),3);
    Assert.assertEquals(text.getBytes().length,6);
}

BytesWritable类型

ByteWritable类型是一个二进制数组的封装类型，序列化格式是以一个4字节的整数(这点与Text不同，Text是以变长int开头)开始表明字节数组的长度，然后接下来就是数组本身。看下示例：

@Test
public void testByteWritableSerilizedFromat() throws IOException {
    BytesWritable bytesWritable=new BytesWritable(new byte[]{3,5});
    byte[] bytes=SerializeUtils.serialize(bytesWritable);
    Assert.assertEquals(StringUtils.byteToHexString(bytes),"000000020305");
}

和Text一样，ByteWritable也可以通过set方法修改，getLength返回的大小是真实大小，而getBytes返回的大小确不是。

<span style="white-space:pre">  </span>bytesWritable.setCapacity(11);
        bytesWritable.setSize(4);
        Assert.assertEquals(4,bytesWritable.getLength());
        Assert.assertEquals(11,bytesWritable.getBytes().length);

NullWritable类型

NullWritable是一个非常特殊的Writable类型，序列化不包含任何字符，仅仅相当于个占位符。你在使用mapreduce时，key或者value在无需使用时，可以定义为NullWritable。

package com.sweetop.styhadoop;

import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-7-16
 * Time: 下午9:23
 * To change this template use File | Settings | File Templates.
 */
public class TestNullWritable {
    public static void main(String[] args) throws IOException {
        NullWritable nullWritable=NullWritable.get();
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(nullWritable)));
    }
}

ObjectWritable类型

ObjectWritable是其他类型的封装类，包括java原生类型，String,enum,Writable,null等，或者这些类型构成的数组。当你的一个field有多种类型时，ObjectWritable类型的用处就发挥出来了，不过有个不好的地方就是占用的空间太大，即使你存一个字母，因为它需要保存封装前的类型，我们来看瞎示例：

package com.sweetop.styhadoop;

import org.apache.hadoop.io.ObjectWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-7-17
 * Time: 上午9:14
 * To change this template use File | Settings | File Templates.
 */
public class TestObjectWritable {
    public static void main(String[] args) throws IOException {
        Text text=new Text("u0041");
        ObjectWritable objectWritable=new ObjectWritable(text);
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(objectWritable)));

    }
}

仅仅是保存一个字母，那么看下它序列化后的结果是什么：

00196f72672e6170616368652e6861646f6f702e696f2e5465787400196f72672e6170616368652e6861646f6f702e696f2e546578740141

太浪费空间了，而且类型一般是已知的，也就那么几个，那么它的代替方法出现，看下一小节

GenericWritable类型

使用GenericWritable时，只需继承于他，并通过重写getTypes方法指定哪些类型需要支持即可，我们看下用法：

package com.sweetop.styhadoop;

import org.apache.hadoop.io.GenericWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;

class MyWritable extends GenericWritable {

    MyWritable(Writable writable) {
        set(writable);
    }

    public static Class<? extends Writable>[] CLASSES=null;

    static {
        CLASSES=  (Class<? extends Writable>[])new Class[]{
                Text.class
        };
    }

    @Override
    protected Class<? extends Writable>[] getTypes() {
        return CLASSES;  //To change body of implemented methods use File | Settings | File Templates.
    }
}

然后输出序列化后的结果

package com.sweetop.styhadoop;

import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.VIntWritable;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-7-17
 * Time: 上午9:51
 * To change this template use File | Settings | File Templates.
 */
public class TestGenericWritable {

    public static void main(String[] args) throws IOException {
        Text text=new Text("u0041u0071");
        MyWritable myWritable=new MyWritable(text);
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(text)));
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(myWritable)));

    }
}

结果是：

024171
00024171

GenericWritable的序列化只是把类型在type数组里的索引放在了前面，这样就比ObjectWritable节省了很多空间，所以推荐大家使用GenericWritable

集合类型的Writable

ArrayWritable和TwoDArrayWritable

ArrayWritable和TwoDArrayWritable分别表示数组和二维数组的Writable类型，指定数组的类型有两种方法,构造方法里设置，或者继承于ArrayWritable,TwoDArrayWritable也是一样。

package com.sweetop.styhadoop;

import org.apache.hadoop.io.ArrayWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.util.StringUtils;

import java.io.IOException;

/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-7-17
 * Time: 上午11:14
 * To change this template use File | Settings | File Templates.
 */
public class TestArrayWritable {
    public static void main(String[] args) throws IOException {
        ArrayWritable arrayWritable=new ArrayWritable(Text.class);
        arrayWritable.set(new Writable[]{new Text("u0071"),new Text("u0041")});
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(arrayWritable)));
    }
}

看下输出：

0000000201710141

可知，ArrayWritable以一个整型开始表示数组长度，然后数组里的元素一一排开。

ArrayPrimitiveWritable和上面类似，只是不需要用子类去继承ArrayWritable而已。

MapWritable和SortedMapWritable

MapWritable对应Map,SortedMapWritable对应SortedMap,以4个字节开头，存储集合大小，然后每个元素以一个字节开头存储类型的索引（类似GenericWritable,所以总共的类型总数只能倒127），接着是元素本身，先key后value，这样一对对排开。

这两个Writable以后会用很多，贯穿整个hadoop，这里就不写示例了。

 

我们注意到没看到set集合和list集合，这个可以代替实现。用MapWritable代替set，SortedMapWritable代替sortedmap，只需将他们的values设置成NullWritable即可，NullWritable不占空间。相同类型构成的list，可以用ArrayWritable代替，不同类型的list可以用GenericWritable实现类型，然后再使用ArrayWritable封装。当然MapWritable一样可以实现list，把key设置为索引，values做list里的元素。