Mapreduce之序列化框架（转自http://blog.csdn.net/lastsweetop/article/details/9376495）

时间：2022-09-11 22:01:50

框架简介

MapReduce仅仅可以支持Writable做key，value吗？答案是否定的。事实上，一切类型都是支持的，只需满足一个小小的条件：每个类型是以二进制流的形式传输。为此Hadoop提供了一个序列化框架来支持，他们在org.apache.hadoop.io.serializer包中，Writable可以作为MapReduce支持的类型也是因为实现了这个框架，类不多，我们从几个接口说起。

Serializer

定义了一组接口，打开流，序列化，关闭流
  1. public interface Serializer <T>  {
  2. void open(java.io.OutputStream outputStream) throws java.io.IOException;
  3. void serialize(T t) throws java.io.IOException;
  4. void close() throws java.io.IOException;
  5. }

Deserializer

定义了一组接口，打开流，反序列化，关闭流
  1. public interface Deserializer <T>  {
  2. void open(java.io.InputStream inputStream) throws java.io.IOException;
  3. T deserialize(T t) throws java.io.IOException;
  4. void close() throws java.io.IOException;
  5. }

Serialization

定义了一组接口，判断是否支持输入的类，根据输入的类给出序列化接口和反序列化接口
  1. public interface Serialization <T>  {
  2. boolean accept(java.lang.Class<?> aClass);
  3. org.apache.hadoop.io.serializer.Serializer<T> getSerializer(java.lang.Class<T> tClass);
  4. org.apache.hadoop.io.serializer.Deserializer<T> getDeserializer(java.lang.Class<T> tClass);
  5. }

WritableSerialization

如果你想自己定义一个类似Writable这样的框架，那么你首先需要的就是实现上面三个接口，那么我们先来看下Writable是如何实现的。
  1. <pre style="word-wrap: break-word; white-space: pre-wrap; ">public class WritableSerialization extends Configured
  2. implements Serialization<Writable> {
  3. static class WritableDeserializer extends Configured
  4. implements Deserializer<Writable> {
  5. private Class<?> writableClass;
  6. private DataInputStream dataIn;
  7. public WritableDeserializer(Configuration conf, Class<?> c) {
  8. setConf(conf);
  9. this.writableClass = c;
  10. }
  11. public void open(InputStream in) {
  12. if (in instanceof DataInputStream) {
  13. dataIn = (DataInputStream) in;
  14. } else {
  15. dataIn = new DataInputStream(in);
  16. }
  17. }
  18. public Writable deserialize(Writable w) throws IOException {
  19. Writable writable;
  20. if (w == null) {
  21. writable
  22. = (Writable) ReflectionUtils.newInstance(writableClass, getConf());
  23. } else {
  24. writable = w;
  25. }
  26. writable.readFields(dataIn);
  27. return writable;
  28. }
  29. public void close() throws IOException {
  30. dataIn.close();
  31. }
  32. }
  33. static class WritableSerializer implements Serializer<Writable> {
  34. private DataOutputStream dataOut;
  35. public void open(OutputStream out) {
  36. if (out instanceof DataOutputStream) {
  37. dataOut = (DataOutputStream) out;
  38. } else {
  39. dataOut = new DataOutputStream(out);
  40. }
  41. }
  42. public void serialize(Writable w) throws IOException {
  43. w.write(dataOut);
  44. }
  45. public void close() throws IOException {
  46. dataOut.close();
  47. }
  48. }
  49. public boolean accept(Class<?> c) {
  50. return Writable.class.isAssignableFrom(c);
  51. }
  52. public Deserializer<Writable> getDeserializer(Class<Writable> c) {
  53. return new WritableDeserializer(getConf(), c);
  54. }
  55. public Serializer<Writable> getSerializer(Class<Writable> c) {
  56. return new WritableSerializer();
  57. }
  58. }</pre>

两个内部静态类分别实现Serializer和Deserializer接口，然后getSerializer和getDeserializer分别实例化WritableSerializer和WritableDeserializer，

accept方法仅仅是判断输入类是否是Writable的子类。
通过io.serializations指定已实现Serialization，各个类之间通过逗号隔开，默认的Serialization有WritableSerialization和Avro中Serialization，
这也就是说默认情况下，只有Writable和Avro里的对象可以在MapReduce中使用。
那么你可能有疑问了，hadoop是如何知道一个类该交给哪个Serialization呢，答案也在这个包中，请看

SerializationFactory

先看他的构造器
  1. public SerializationFactory(Configuration conf) {
  2. super(conf);
  3. for (String serializerName : conf.getStrings("io.serializations",
  4. new String[]{"org.apache.hadoop.io.serializer.WritableSerialization"})) {
  5. add(conf, serializerName);
  6. }
  7. }

可知他是从io.serializations属性指定的实现了Serialization的类，然后再看他是如何知道选哪个Serialization的

  1. public <T> Serialization<T> getSerialization(Class<T> c) {
  2. for (Serialization serialization : serializations) {
  3. if (serialization.accept(c)) {
  4. return (Serialization<T>) serialization;
  5. }
  6. }
  7. return null;
  8. }

好吧，就是这么简单，判断一下是否是对应的子类而已。

这个包里还实现了JavaSerialization，其实就是Java对象的序列化，很多人觉得，这个好简单的，我只要实现java中的序列化接口就可以了，
不用那么费事搞什么Writable和Avro，但是，千万别这么想，非常不推荐使用java对象的序列化，并且详尽的解释为什么不推荐：

为什么不使用java序列化

1.java序列化不够灵活，为了更好的控制序列化的整个流程所以使用Writable

2.java序列化不符合序列化的标准，没有做一定的压缩，java序列化首先写类名，然后再是整个类的数据，而且成员对象在序列化中只存引用，成员对象的可以出现的位置很随机，既可以在序列化的对象前，也可以在其后面，这样就对随机访问造成影响，一旦出错，整个后面的序列化就会全部错误，但是
Writable完美的弥补了这一点，因为Writable中每一条纪录间是相互独立的
3.Java序列化每次序列化都要重新创建对象，内存消耗大，而Writable是可以重用的。

序列化IDL

为了和其他语言交互，必须定义序列化的IDL,原先定义的IDL在org.apache.hadoop.record包里，但是后来一直没用起来就淘汰掉了，现在比较常用的就是Avro，后面我们会重点着墨讲解。
Apache的Thrift和Google的Protocol Buffer也是比较流行的序列化框架，但是在Hadoop里使用是有限的，只用于RPC和数据交互，不过有一个开源项目elephant-bird可以把他们使用在MapReduce上。

相关文章