Hadoop序列化怎么实现

发布时间：2021-12-10 09:50:09 作者：iii
来源：亿速云阅读：141

这篇文章主要讲解了“Hadoop序列化怎么实现”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“Hadoop序列化怎么实现”吧！

Hadoop I/O

Data Integrity

Hdfs: % hadoop fs -cat hdfs://namenode/data/a.txt

LocalFS: % hadoop fs -cat file:///tmp/a.txt

generate crc check sum file

%hadoop fs -copyToLocal -crc /data/a.txt file:///data/a.txt

check sum file: .a.txt.crc is a hidden file.

Ref: CRC-32,循环冗余校验算法，error-detecting.

io.bytes.per.checksum is deprecated, it's dfs.bytes-per-checksum, default is 512, Must not be larger than dfs.stream-buffer-size,which is the size of buffer to stream files. The size of this buffer should probably be a multiple of hardware page size (4096 on Intel x86), and it determines how much data is buffered during read and write operations.

Data Compression

常用算法

读书时，hadoop支持四种压缩算法,如果调解空间和效率的话,-1 ~ -9,代表从最优速度到最优空间. 压缩算法支持在org.apache.hadoop.io.compress.*.

deflate (.deflate), 就是常用的gzip, package ..DefaultCodec
Gzip (.gz),在deflate格式加了文件头和尾. 压缩速度(适中),解压速度(适中),压缩效率(适中),package ..GzipCodec, both of java and native
bzip2 (.bz2), 压缩速度(最差),< 解压速度(最差),压缩效率 (最好)，特点是支持可切分(splitable)，对map-red非常友好。,package ..BZip2Codec,java only
LZO (.lzo), 压缩速度(最快),解压速度(最快),压缩效率(最差),,package com.hadoop.compressiojn.lzo.lzopCodec, native only

如果禁用原生库,使用hadoop.native.lib.

如果使用原生库,可能对象创建的成本较高,所以可以使用CodecPool，重复使用这些对象。

对于一个非常大的数据文件，存储如下方案：

使用支持切分的bzip2
手动切分，并使压缩后的part接近于block size.
使用Sequence File, 它支持压缩和切分
使用Avro数据文件，它也支持压缩和切分，而且增加了很多编程语言的可读写性。

如果Map-Red的output自动压缩:

conf.setBoolean ("mared.output.compress",true);
conf.setClass("mapred.output.compression.codec",GzipCodec.class,CompressionCodec.class);

如果Map-Red的中间结果的自动压缩:

//or conf.setCompressMapOutput(true);
conf.setBoolean ("mared.compress.map.output",true);

//or conf.setMapOutputComressorClass(GzipCodec.class)
conf.setClass("mapred.map.output.compression.codec",GzipCodec.class,CompressionCodec.class);

序列化(Serialization/Deserialization)

Writable and WritableComparable

// core class for hadoop
public interface Writable{
       void write(DataOutput out) throw IOException;
       void readFields(DataInput in) throw IOException;
}

public interface Comparable<T>{
       int compareTo(T o);
}

//core class for map-reduce shuffle
public interface WritableComparable<T> extends Writable, Comparable<T> {
}

// Sample
public class MyWritableComparable implements WritableComparable {
       // Some data
       private int counter;
       private long timestamp;
       
       public void write(DataOutput out) throws IOException {
         out.writeInt(counter);
         out.writeLong(timestamp);
       }
       
       public void readFields(DataInput in) throws IOException {
         counter = in.readInt();
         timestamp = in.readLong();
       }
       
       public int compareTo(MyWritableComparable o) {
         int thisValue = this.value;
         int thatValue = o.value;
         return (thisValue < thatValue ? -1 : (thisValue==thatValue ? 0 : 1));
       }

       public int hashCode() {
         final int prime = 31;
         int result = 1;
         result = prime * result + counter;
         result = prime * result + (int) (timestamp ^ (timestamp >>> 32));
         return result
       }
}

//optimize for stream comparasion
public interface RawComparator<T> extends Comparator<T>{
      // s1 start position, l1, length of bytes
      public int compare(byte[] b1, int s1,int l1,byte[] b2,int s2,int l2);
}

public class WritableComparator implements RawComparator{
}

Comparator RawComparator WritableComparator

WritableComparator 提供了原始compator的compare反序列化对象的实现，性能较差。不过它作为RawComparator实例的工厂：

RawComparator<IntWritable> comparator = WritableComparator.get(IntWritable.class);

// 注册一个经过优化的比较算子。Register an optimized comparator for a WritableComparable implementation.

static void define(Class c, WritableComparator comparator);

// 获得一个WritableComparable的比较算子. Get a comparator for a WritableComparable implementation.

static WritableComparator get(Class<? extends WritableComparable> c);

public MyWritableComparator extends WritableComparator{
    static{
        define(MyWritableComparable.class, new MyWritableComparator());
    }
    public MyWritableComparator {
        super(MyWritableComparable.class);
    }

    @Override
    public int compare(byte[] b1, int s1,int l1,byte[] b2,int s2,int l2){
    }
}

注: 要使static initializer被调用，除非有该类的实例被创建，或某静态方法或成员被访问。或者直接强制，代码如：

Class.forName("package.yourclass"); 它会强制初始化静态initializer.

Java Primitive Data Type wrapped by Writable

Extends from WritableComparable

BooleanWritable, 1
ByteWritable, 1,
BytesWritable,
IntWritable,4
VIntWritable,1~5
FloatWritable,4,
LongWritable,8,
VLongWritable,1~9
DoubleWritable,8
NullWritable,Immutable singletone.
Text,4~
MD5Hash,
ObjectWritable,
GenericWritable

Extends from Writable only

ArrayWritable
TwoDArrayWritable
AbstractMapWritable
MapWritable
SortedMapWritable

[Text]

值得一提的是Text的序列化方式是Zero-compressed encoding,这个看过一些资料，其实是一种编码方式，意图是省略掉高位0所占用的空间，对于小数，它能节省空间，对于大数会额外占用空间。相比压缩，它能比较快速。其实类似于VIntWritable, VLongWritable的编码方式。

- 如何选择变长和定长数值呢?

1. 定长适合分布非常均匀的数值（如hash），变长适合分布非常不均匀的数值。

2. 变长可以节省空间，而且可以在VIntWritable 和VLongWritable之间转换。

- Text和String的区别

1。String是char序列，Text是UTF-8的byte序列.

UTF-8类不能对字符串大于32767的进行utf-8编码。

(Indexing)索引：对于ASCII来说， Text和String是一样的，对于Unicode就不同了。String类的长度是其所含char编码单元的长度，然而Text是UTF-8的字节码的长度。CodePointAt表示一个真正的Unicode字符，它可以是2char,4bytes的unicode。

Iteration(迭代): 将Text转换ByteBuffer,然后反复调用bytesToCodePoint()静态方法，可以取到整型的Unicode.

Mutable(易变性): 可以set，类似writable 和StringBuffer，getLength()返回有效字串长度，getbytes().length,返回空间大小。

[BytesWritable]

这是二进制数组的封装，类似于windows下的BSTR，都是前面一个整型表示字节长度，后面是字节的二进制流。

它也是mutable,getLength() != getBytes().length

[NullWritable]

NullWritable是Writable的一个特殊类型。它的序列化长度为0，其实只是一个占位符，既不读入，也不写出。只是存在于程序体中。

Immutable,是一个singleton。

[ObjectWritable]

ObjectWritable是Java的Array, String, 以及Primitive类型的通用封装 (注：不包含Integer)。它的序列化则使用java的类型序列化，写入类型信息等，比较占用空间。

通过两个特殊的构造:

public ObjectWritable(Object instance);

public ObjectWritable(Class declaredClass,Object instance);

举例子：

ObjectWritable objectw = new ObjectWritable(int.class,5);

[GenericWritable]

首先这是一个抽象类，需要被具象化才能使用。

观察下面这个实列，它以一种Union方式，显示的代理一个Writable实例，解决了Reduce函数的参数声明问题。

public class MyGenericWritable extends GenericWritable {

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

    static {
        CLASSES = (Class<? extends Writable>[]) new Class[] {
            IntWritable.class,
            Text.class
             //add as many different Writable class as you want
        };
    }


    @Override
    protected Class<? extends Writable>[] getTypes() {
        return CLASSES;
    }

    @Override
    public String toString() {
        return "MyGenericWritable [getTypes()=" + Arrays.toString(getTypes()) + "]";
    }

    // override hashcode();
}

public class Reduce extends Reducer<Text, MyGenericWritable, Text, Text> {
    public void reduce(Text key, Iterable<MyGenericWritable> values, Context context) throws IOException, InterruptedException {
}

[ArrayWritable /TwoDArrayWritable]

ArrayWritable aw = new ArrayWriable(Text.class);

[MapWritable / SortedMapWritable]

实现了java.util.Map<Writable,Writable> 和SortedMap...

它的serialize, 使用先写map<classname,id>,然后后边每个类的类型，以id来替代，节省空间。这些都在父类AbstractMapWritable中实现。

集合小结:

1. 如果是单类型的列表,使用ArrayWritable就足够了

2。如果是把不同类型的Writable存储在一个列表中:

-- 可以使用GenerickWritable,把元素封装在一个ArrayWritable，这个貌似只能同一类型。

    public class MyGenericWritable extends GenericWritable {

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

    static {
        CLASSES = (Class<? extends Writable>[]) new Class[] {
            ArrayWritable.class,
             //add as many different Writable class as you want
        };
    }


    @Override
    protected Class<? extends Writable>[] getTypes() {
        return CLASSES;
    }

-- 可以使用写一个仿照MapWritable的ListWritable

//注意实现hashcode,equals,toString, comparTo (if possible)

//hashcode尤其重要，HashPartitioner通常用hashcode来选择reduce分区，所以为你的类写一个比较好的hashcode非常必要。

public class ListWritable extends ArrayList<Writable> implements Writable {

}

/**
 * @author cloudera
 *
 */
public class ListWritable extends ArrayList<Writable> implements Writable {
	private List<Writable> list = new ArrayList<Writable>();
	
	public void set(Writable writable){
		list.add(writable);
	}
	
	@Override
	public void readFields(DataInput in) throws IOException {
		int nsize = in.readInt();
		Configuration conf = new Configuration();
		Text className = new Text();
		while(nsize-->0){
	
			Class theClass = null;
			try {
				className.readFields(in);
				theClass = Class.forName(className.toString());
			} catch (ClassNotFoundException e) {
				// TODO Auto-generated catch block
				e.printStackTrace();
			}

			Writable w = (Writable)ReflectionUtils.newInstance(theClass,conf);
			w.readFields(in);
			
			add(w);
			
		}
	}

	@Override
	public void write(DataOutput out) throws IOException {
		Writable w = null;
		out.writeInt(size());
		for(int i = 0;i<size();i++){
			w = get(i);
			new Text(w.getClass().getName()).write(out);
			w.write(out);
		}
	}

}

感谢各位的阅读，以上就是“Hadoop序列化怎么实现”的内容了，经过本文的学习后，相信大家对Hadoop序列化怎么实现这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！