hadoop中的序列化与Writable类

本文地址：http://www.cnblogs.com/archimedes/p/hadoop-writable-class.html，转载请注明源地址。

hadoop中自带的org.apache.hadoop.io包中有广泛的writable类可供选择，它们形成下图所示的层次结构：

java基本类型的Writable封装器

Writable类对java基本类型提供封装，short和char除外，所有的封装包含get()和set()两个方法用于读取或设置封装的值

java基本类型的Writable类

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。

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:

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

import java.io.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.util.StringUtils;
import junit.framework.Assert;
public class textandstring {
        public static void string() throws UnsupportedEncodingException {
            String str = "\u0041\u00DF\u6771\uD801\uDC00";
            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("\uD801\uDC00"), 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);
        }

        public static void text() {
            Text text = new Text("\u0041\u00DF\u6771\uD801\uDC00");
            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("\uD801\uDC00"), 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);
        }
    public static void main(String[] args) {
        // TODO Auto-generated method stub
        text();
        try {
            string();
        } catch(UnsupportedEncodingException ex) {

        }
    }
}

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对象转换为java.nio.ByteBuffer对象，然后再利用缓冲区对Text对象反复调用bytesToCodePoint方法，该方法能获取下一代码的位置，并返回相应的int值，最后更新缓冲区中的位置。通过bytesToCodePoint()方法可以检测出字符串的末尾，并返回-1值。看一下示例代码：

import java.io.*;
import java.nio.ByteBuffer;
import org.apache.hadoop.io.*;
import org.apache.hadoop.util.StringUtils;
import junit.framework.Assert;
public class textandstring {
    public static void main(String[] args) {
        // TODO Auto-generated method stub
        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));
        }
    }
}

运行结果：

41
df
6771
10400

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。

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

注意：在某些情况下，getBytes()方法返回的字节数组可能比getLength()函数返回的长度更长：

import java.io.*;
import java.nio.ByteBuffer;
import org.apache.hadoop.io.*;
import org.apache.hadoop.util.StringUtils;
import junit.framework.Assert;
public class textandstring {
    public static void main(String[] args) {
        // TODO Auto-generated method stub
        Text t = new Text("hadoop");
        t.set(new Text("pig"));
        Assert.assertEquals(t.getLength(), 3);
        Assert.assertEquals(t.getBytes().length, 6);
    }
}

Text类并不像String类那样有丰富的字符串操作API，所以多数情况下，需要将Text对象转换成String对象。这一转换过程通过调用ToString()方法来实现