Hadoop Serialization -- hadoop序列化详解 (2)

回顾：

回顾序列化，其实原书的结构很清晰，我截图给出书中的章节结构：

序列化最主要的，最底层的是实现writable接口，wiritable规定读和写的游戏规则 （void write(DataOutput out) throws IOException;  void readFields(DataInput in) throws IOException;）。为了适应hadoop的mapreduce的运算特性，也就是map
和reduce对key的比较，排序的功能，就要实现Comparable接口，这个接口规定 public int compareTo(T o);这个方法。为了增强处理大数据集的能力，我们不能老是先序列化，传输，反序列化，然后进行比较compare,太消耗时间和性能了，我们有了增强的RawComparator，RawComparator是Comparator的增强版，可以比较没有被反序列化的数据。

hadoop需要处理的数据五花八门，java具有的基本数据类型都有可能在hadoop中出现，hadoop因此包装了java的基本数据类型使他们实现以上的接口并且给予实现细节。这些类都实现了WritableComparable接口，插上飞翔的翅膀，可以在不同的hadoop节点之间毫无障碍的传输了，如入无人之境。

既然Text拿出来单独讨论。自然就要好好研究一下Text的实现细节，对于我们对hadoop的设计细节和思想太重要太重要。

Text是UTF-8字符串的Writable实现。被看做是java String类型的替换。Text 类代替了UTF8 类， UTF8 类不支持编码大于32767 个字节的字符.使用了Java 改进过的UTF-8.Text 使用int 型(使用一个可变长度的编码方案)在字符感编码中存储字节数.
最大值是2 GB 。此外， Text 使用标准的UTF芯，使其更易于与理解U T F-8 的其他工具协同工作.

为什么是2GB，我估计很少人会思考这个问题，我们简单计算一下：

利用int存储字节长度，int最大是2^31-1，那么字节最大长度就是2^31-1

Text能够容纳的大小R=（2^31-1）/1024/1024/1024=1.99999999=2GB

因此我们使用他的时候要知道他的大小是有限制的。

由于强调使用标准的UTF8，所以Text 和Java 的String 类之间还是有一些区别的。Text 类的索引位于编码后的字节系列中，而不是字符串中的Unicode 字符.或Java 的char 编码单元{如同String 一样)。举例如下：

这方面的差异用中文就很好的说明这个问题。

 String line = "滚滚长江东逝水";

    System.out.println(line.length());

    Text text = new Text(line);

    System.out.println(text.getLength());

    System.out.println(line.charAt(2));

    System.out.println(text.charAt(2));

输出：

7

21

长

-1

    String line = "merry christmas";

    System.out.println(line.length());

    Text text = new Text(line);

    System.out.println(text.getLength());

    System.out.println(line.charAt(2));

    System.out.println(text.charAt(2));

输出：

15

15

r

114

可以看出来，他们的索引（Index)是真的不一样，同一个索引值取出来的并不是同一个东西。

注意， charAt ( )返回了一个int 类型来表示Unicode 代码点， 而不是像String 变量那样返回一个char 类型。在开始使用一个以上字节进行编码的字符（例如中文！！）， Text 和String 之间的区别是很明显的。下表展示了Unicode的代码点。

U+0041 代码点对应大写字母A 一直到U+00DFUTF-8都是一个字节编码，剩下的都是两个字节以上。而对于java，最后一行，只有最后一个代码点是两个，其他的都是一个字节的。这点差别很大。

怕很多人不懂代码点，我再解释一下：

Unicode 是通用字符编码标准，用于表示文本以供计算机处理。Unicode 提供了一种对多语种文本进行一致编码的方法，便于国际文本文件的交换。每个 Unicode 字符均映射到一个代码点，代码点是一个介于
0 和 1,114,111 之间的整数。Unicode 代码点使用 U+nnnn 形式的表示法来表示（其中 nnnn 是代码点的十六进制数），或使用描述代码点的文本字符串来表示。例如，小写字母 “a” 可以用 U+0061 或文本字符串 "LATIN SMALL LETTER A" 来表示。 代码点可以使用不同的字符编码方案进行编码。在 Oracle Solaris Unicode 语言环境中，使用的是
UTF-8 形式。UTF-8 是 Unicode 的一种可变长度编码形式，它透明地保留了 ASCII 字符代码值（请参见UTF-8 概述）。 代码点就是一个字符在Unicode中对应的编码。

String 的长度是它包括的字符个数 ，但Text 对象的长度是其UTF -8 编码的字节数. 同样， indexOf () 方泣返回一个char 类型的编码单元的索引，find () 方格是字节偏移量.请看例子：

@Test

public void string() throws UnsupportedEncodingException {

String s = "\u0041\u00DF\u6771\uD801\uDC00";

assertThat(s.length(), is(5));

assertThat(s.getBytes("UTF-8").length, is(10));

assertThat(s.indexOf("\u0041"), is(0));

assertThat(s.indexOf("\u00DF"), is(1));

assertThat(s.indexOf("\u6771"), is(2));

assertThat(s.indexOf("\uD801\uDC00"), is(3));

assertThat(s.charAt(0), is('\u0041'));

assertThat(s.charAt(1), is('\u00DF'));

assertThat(s.charAt(2), is('\u6771'));

assertThat(s.charAt(3), is('\uD801'));

assertThat(s.charAt(4), is('\uDC00'));

assertThat(s.codePointAt(0), is(0x0041));

assertThat(s.codePointAt(1), is(0x00DF));

assertThat(s.codePointAt(2), is(0x6771));

assertThat(s.codePointAt(3), is(0x10400));

}

@Test

public void text() {

Text t = new Text("\u0041\u00DF\u6771\uD801\uDC00");

assertThat(t.getLength(), is(10));
  //10 = 1+2+3+4 是其UTF -8 编码的字节数  

assertThat(t.find("\u0041"), is(0));

assertThat(t.find("\u00DF"), is(1));

assertThat(t.find("\u6771"), is(3));

assertThat(t.find("\uD801\uDC00"), is(6));

assertThat(t.charAt(0), is(0x0041));

assertThat(t.charAt(1), is(0x00DF));

assertThat(t.charAt(3), is(0x6771));

assertThat(t.charAt(6), is(0x10400));

}

遍历Text,迭代

迭代使用索引的字节偏移对Text 中的Unicode 字符进行途代是很复杂的，因为你不能只增加索引。迭代的定义有点模糊(见例4-6 ) 将Text 对象变成java.nio.ByteBuffer然后对缓冲的Text 反复调用bytesToCodePoint() 静态方法.这个方泣提取下一个代码点作为int 然后更新缓冲中的位置。当bytesToCodePoint() 返回- 1 时，检测到字符结束。意思就是说，我们取字符的时候，是一整个一整个字符的取，我们不能够按照索引来取，我们按照代码点整个整个的取。

public class TextIterator {

public static void main(String[] args) {

    Text t = new Text("\u0041\u00DF\u6771\uD801\uDC00");

    ByteBuffer buf = ByteBuffer.wrap(t.getBytes(), 0, t.getLength());

    int cp;

    while (buf.hasRemaining() && (cp = Text.bytesToCodePoint(buf)) != -1) {

    System.out.println(Integer.toHexString(cp));

}

}

}

输出：

41

df

6771

10400

可修改性

String 和Text 的另一个区别在于可修改性(像Hadoop 中的所有Writable 实视一样，但NullWritable 除外，后者是单实例对象)。我们可以通过对它调用set() 函数来重用Text 实例。示例如下:

Text t = new Text("hadoop");

t.set("pig");

assertThat(t.getLength(), is(3));

assertThat(t.getBytes().length, is(3));

转为字符串

Text 不像java. l ang.String 一样有一个可以处理字符串的API ，所以在许多情况下，需要将Text 对象转化为String 对象。这通常用toString()方法来完成。

assertThat(new Text("hadoop ") . toString() , is( "hadoop"));

BytesWritable

BytesWritable 是一个二进制数据数组封装。它的序列化格式是一个int 字段(4字节) ，指定的是字节数及字节本身。例如， 一个长度为2 ，值为3 和5 的字节数组序列化为一个4 字节的整数(00000002)加上两个来自数组的字节(03 和05) 。

BytesWritable b = new BytesWritable(new byte[] { 3, 5 });

byte[] bytes = serialize(b);

assertThat(StringUtils.byteToHexString(bytes), is("000000020305"));

BytesWritab1e 是可变的，其值可通过调用set ( )方撞来改变。和Text一样 ，从getBytes ( )方法返回的字节数组大小可能并没有反映出存储在BytesWritable 的数据的实际大小.可以通过调用getLength () 方法来确定BytesWritable 的长度，例如:

b.setCapacity(11);

assertThat(b.getLength(), is(2));

assertThat(b.getBytes().length, is(11));

NullWritable

NullWritable 是一种特殊的Writable 类型，因为它的序列化是零长度的。没有字节被写入流或从流中读出.它被用作占位符.例如，在MapReduce 中，在不需要这个位置的时候，键或值可以被声明为NullWritable，他有效存储了一个不变的空值。NullWritable 也可以很有用，在打算存储一系列值的时候，作为SequenceFile 的一个键，而不是键/值对。它是一个不变的单实例，其实例可以通过调用NullWritable.get() 方法来检索。

今天就到这里。

Charles 2015-12-24晚于P.P

---

版权说明：

本文由Charles Dong原创，本人支持开源以及免费有益的传播，反对商业化谋利。

CSDN博客：http://blog.csdn.net/mrcharles

个人站：http://blog.xingbod.cn

EMAIL：charles@xingbod.cn