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

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。