hadoop系列（15）---Writable序列化机制说明

jacqueshuang
1,045 阅读4分钟

这是我参与11月更文挑战的第15天，活动详情查看：2021最后一次更文挑战」

Writable接口与序列化机制

一、序列化概念

  • 序列化（Serialization）是指把结构化对象转化为字节流。
  • 反序列化（Deserialization）是序列化的逆过程。即把字节流转回结构化对象。
  • Java序列化（java.io.Serializable）

二、Hadoop序列化的特点

  • 序列化格式特点：

    • 紧凑：高效使用存储空间。
    • 快速：读写数据的额外开销小
    • 可扩展：可透明地读取老格式的数据
    • 互操作：支持多语言的交互

  • Hadoop的序列化格式：Writable

三、Hadoop序列化的作用

  • 序列化在分布式环境的两大作用：进程间通信，永久存储。
  • Hadoop节点间通信。

Hadoop节点间通信.png

四、Writable接口

Writable接口, 是根据 DataInput 和 DataOutput 实现的简单、有效的序列化对象. MR的任意Key和Value必须实现Writable接口.

MR的任意key必须实现WritableComparable接口

五、常用的Writable实现类

Text一般认为它等价于java.lang.String的Writable。针对UTF-8序列。

例:
  Text t = new Text();
  IntWritable one = new IntWritable(1);

常用的Writable实现类.png

常用的Writable实现类解析.png

六、自定义Writable类

  • Writable

    • write 是把每个对象序列化到输出流
    • readFields是把输入流字节反序列化

自定义Writable类.png

  • 实现WritableComparable.

  • Java值对象的比较：一般需要重写toString(),hashCode(),equals()方法

七、自定义WritableKpi

八、MapReduce输入的处理类

  • 1、FileInputFormat:

    • FileInputFormat是所有以文件作为数据源的InputFormat实现的基类，FileInputFormat保存作为job输入的所有文件，并实现了对输入文件计算splits的方法。至于获得记录的方法是有不同的子类——TextInputFormat进行实现的。

  • 2、InputFormat：

InputFormat.png

-   InputFormat 负责处理MR的输入部分.有三个作用:

    -   验证作业的输入是否规范.
    -   把输入文件切分成InputSplit.
    -   提供RecordReader 的实现类，把InputSplit读到Mapper中进行处理.

  • 3、InputSplit:

    • 在执行mapreduce之前，原始数据被分割成若干split，每个split作为一个map任务的输入，在map执行过程中split会被分解成一个个记录（key-value对），map会依次处理每一个记录。
    • FileInputFormat只划分比HDFS block大的文件，所以FileInputFormat划分的结果是这个文件或者是这个文件中的一部分.
    • 如果一个文件的大小比block小，将不会被划分，这也是Hadoop处理大文件的效率要比处理很多小文件的效率高的原因。
    • 当Hadoop处理很多小文件（文件大小小于hdfs block大小）的时候，由于FileInputFormat不会对小文件进行划分，所以每一个小文件都会被当做一个split并分配一个map任务，导致效率底下。
    • 例如：一个1G的文件，会被划分成16个64MB的split，并分配16个map任务处理，而10000个100kb的文件会被10000个map任务处理。

  • 4、TextInputFormat:

    • TextInputformat是默认的处理类，处理普通文本文件。
    • 文件中每一行作为一个记录，他将每一行在文件中的起始偏移量作为key，每一行的内容作为value。
    • 默认以\n或回车键作为一行记录。
    • TextInputFormat继承了FileInputFormat。

九、InputFormat类的层次结构

InputFormat类的层次结构.png

十、其他输入类

  • 1、CombineFileInputFormat

    • 相对于大量的小文件来说，hadoop更合适处理少量的大文件。
    • CombineFileInputFormat可以缓解这个问题，它是针对小文件而设计的。

  • 2、KeyValueTextInputFormat

    • 当输入数据的每一行是两列，并用tab分离的形式的时候，KeyValueTextInputformat处理这种格式的文件非常适合。

  • 3、NLineInputformat

    • NLineInputformat可以控制在每个split中数据的行数。

  • 4、SequenceFileInputformat

    • 当输入文件格式是sequencefile的时候，要使用SequenceFileInputformat作为输入。

十一、自定义输入格式

  • 1、继承FileInputFormat基类。
  • 2、重写里面的getSplits(JobContext context)方法。
  • 3、重写createRecordReader(InputSplit split,TaskAttemptContext context)方法。

十二、Hadoop的输出

  • 1、TextOutputformat

    • 默认的输出格式，key和value中间值用tab隔开的。

  • 2、SequenceFileOutputformat

    • 将key和value以sequencefile格式输出。

  • 3、SequenceFileAsOutputFormat

    • 将key和value以原始二进制的格式输出。

  • 4、MapFileOutputFormat

    • 将key和value写入MapFile中。由于MapFile中的key是有序的，所以写入的时候必须保证记录是按key值顺序写入的。

  • 5、MultipleOutputFormat

    • 默认情况下一个reducer会产生一个输出，但是有些时候我们想一个reducer产生多个输出，MultipleOutputFormat和MultipleOutputs可以实现这个功能。
avatar
文章
阅读
粉丝