目录
什么是序列化：
什么是反序列化：
为什么要序列化：
Java的序列化：
Hadoop序列化:
自定义序列化接口：
实现序列化的步骤：
先看源码进行简单分析：
序列化案例实操：
案例需求：
（1）输入数据：
（2）输入数据格式：
（3）期望输出数据格式
需求分析：
编写MapperReduce程序：
什么是序列化：
序列化就是把内存中的对象，转换成字节序列（或其他数据传输协议）以便于存储到磁盘（持久化）和网络传输。
什么是反序列化：
反序列化就是将收到字节序列（或其他数据传输协议）或者是磁盘的持久化数据，转换成内存中的对象。
为什么要序列化：
一般来说，“活的”对象只生存在内存里，关机断 电就没有了。而且“活的”对象只能由本地的进程使用，不能被发送到网络上的另外一台计算机。 然而序列化可以存储“活的”对象，可以将“活的”对象发送到远程计算机。
Java的序列化：
在Java中也是有序列化的，我们为什么不通过idea使用Java的序列化那？
因为Java的序列化框架（Serializable）是一个繁重的框架，附带信息比较多（各种校验信息，Header，继承体系等），不便于在网络中高效传输。所以，Hadoop自己开发了一套序列化机制（Writable）。
Hadoop序列化:
Hadoop的序列化比较精简，只有简单的校验，有紧凑（高效使用存储空间），快速（读写数据的额外开销小），互操作（支持多语言的交互）的特点。
自定义序列化接口：
在开发过程中，基本序列化类型不能满足所有需求，比如在Hadoop框架内部传递一个bean对象（不是基本的数据类型（某个类）----没有对应的Hadoop类型），那么该对象就需要实现序列化接口。
实现序列化的步骤：
先看源码进行简单分析：
Writable接口（好像也分析不出什么）
两个方法：
1.write: 进行序列化
2.readFields:进行反序列化
(1) 反序列化时，需要反射调用空参构造函数，所以必须有空参构造
public FlowBean() {
super();
}(2) 重写接口中的两个方法***(注意：反序列化的顺序和序列化的顺序完全一致)
如数据结构中的队列一样先进先出，先序列化则先反序列化
(3）需要重写toString（）方法，因为需要打印出来,否则打印出来的是地址
(4) 如果需要将自定义的bean放在key中传输，则还需要实现Comparable接口，因为MapReduce框中的Shuffle过程要求对key必须能排序。(比如：上一篇博客中的计算单词出现次数中 最后呈现的单词是按照26个英文字母的顺序进行排序的)
看一个样例源码（字符串Text）：
看到上图 实现接口：
WritableComparable<BinaryComparable>跟进一下：
看到该接口继承自Comparable接口（这是Java中的一个API）
序列化案例实操：
案例需求：
统计每一个手机号耗费的总上行流量、总下行流量、总流量
（1）输入数据：
（2）输入数据格式：
| 7 13560436666 120.196.100.99 1116 954 200 id 手机号码 网络ip 上行流量 下行流量 网络状态码 |
（3）期望输出数据格式
| 13560436666 1116 954 2070 手机号码 上行流量 下行流量 总流量 |
需求分析：
先输入数据，输入数据后需要进行mapper阶段---》reduce阶段---》输出阶段
mapper阶段：
先考虑输入kv （k---偏移量 v是一行数据）
输出(kv)为reduce的输入（kv） (本样例中使用的k是手机号--统计手机号的流量使用 v为上行流量，下行流量，总流量 则需要封装bean类（自定义对象） 再进行序列化传输（为什么要进行序列化那？----因为再计算的过程中可能由于资源问题mapper和reduce不在同一台服务器上))
输出（kv）同样也是（手机号，bean类）
编写MapperReduce程序：
1.FlowBean代码：
package com.tangxiaocong.mapreduce.writable;
import org.apache.hadoop.io.Writable;
import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;
/*
*
* 定义bean类
* 需要实现writable
* 重写序列化和反序列化方法
* 重写空参构造
* 重写tostring方法
*
* */
public class FlowBean implements Writable {
private long upFlow;
private long downFlow;
private long sumFlow;
public long getUpFlow() {
return upFlow;
}
public void setUpFlow(long upFlow) {
this.upFlow = upFlow;
}
public long getDownFlow() {
return downFlow;
}
public void setDownFlow(long downFlow) {
this.downFlow = downFlow;
}
public long getSumFlow() {
return sumFlow;
}
public void setSumFlow(long sumFlow) {
this.sumFlow = sumFlow;
}
public void setSumFlow() {
this.sumFlow = this.downFlow+this.upFlow;
}
//生成空参构造函数由于反射 快捷键alt + insert
public FlowBean() {
}
@Override
public void write(DataOutput out) throws IOException {
//序列化方法
// 向缓冲流中写入Long类型的数据
out.writeLong(upFlow);
out.writeLong(downFlow);
out.writeLong(sumFlow);
}
@Override
public void readFields(DataInput in) throws IOException {
//反序列化方法
//读取缓冲区中数据
this.upFlow= in.readLong();
this.downFlow= in.readLong();
this.sumFlow= in.readLong();
}
@Override
public String toString() {
return upFlow + "\t"+downFlow +"\t"+ sumFlow ;
}
}
2.Mapper代码：
package com.tangxiaocong.mapreduce.writable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;
import java.io.IOException;
public class FlowMapper extends Mapper<LongWritable, Text,Text,FlowBean> {
private Text outK=new Text();
private FlowBean outV=new FlowBean(); //调用的无参构造函数
@Override
protected void map(LongWritable key, Text value, Mapper<LongWritable, Text, Text, FlowBean>.Context context) throws IOException, InterruptedException {
//1 获取一行
//1 13736230513 192.196.100.1 www.atguigu.com 2481 24681 200
String s = value.toString();// 将数据转换成string
//2 进行切割
String[] split = s.split("\t"); //将数据按写入形式进行切割
//3 抓取想要的数据
//根据角标获取 手机号 上行流量 下行流量
String phone = split[1];
String up = split[split.length - 3];// 不能正序 因为有的属性是没有字段的
String down = split[split.length - 2];
// 封装输出的kv
outK.set(phone);
outV.setUpFlow(Long.parseLong(up));// up为string类型
outV.setDownFlow(Long.parseLong(down));
outV.setSumFlow(); //
//写出
context.write(outK,outV);
}
}
3. reduce代码：
package com.tangxiaocong.mapreduce.writable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;
import java.io.IOException;
public class FlowReducer extends Reducer <Text,FlowBean,Text,FlowBean>{
private FlowBean outv=new FlowBean();
@Override
protected void reduce(Text key, Iterable<FlowBean> values, Reducer<Text, FlowBean, Text, FlowBean>.Context context) throws IOException, InterruptedException {
long totalUp=0;
long totaldown=0;
//分析 传入TEXT 为手机号 后边为集合（Bean类的对象的集合）输出还是一个一个bean类 （每个手机号的总和）
for (FlowBean value : values) { //传入的参数是同一个key的
totalUp+=value.getUpFlow();
totaldown+=value.getDownFlow();
}
// 现在求出的是每个手机号的总的上行流量 下行流量
//封装 key不需要
//outv
outv.setUpFlow(totalUp);
outv.setDownFlow(totaldown);
outv.setSumFlow();
//写出
context.write(key,outv);
}
}
4.driver代码：
package com.tangxiaocong.mapreduce.writable;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import java.io.IOException;
public class FlowDriver {
public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
//获取JOB
Configuration entries = new Configuration();
Job job = Job.getInstance(entries);
job.setJarByClass(FlowDriver.class);
//关联mapper 和reduce
job.setMapperClass(FlowMapper.class);
job.setReducerClass(FlowReducer.class);
//设置mapper 输出的key 和value
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(FlowBean.class);
// 设置最终的数据输出的key和value 类型
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(FlowBean.class);
//设置数据的输入路径和输出路径
FileInputFormat.setInputPaths(job, new Path("D:\\hadoop\\phone_data.txt"));
FileOutputFormat.setOutputPath(job, new Path("D:\\hadoop\\output3"));
//提交job
boolean b = job.waitForCompletion(true);
System.exit(b ? 0 : 1);
}
}
最后运行
出现了bug 经过两个小时的调试 找出答案 是在driver类中设置mapper类输出kv类型出现差错没有配型成功
现在是运作正确的
![[Netty源码] ByteBufAllocator内存管理器相关问题 (十一)](https://img-blog.csdnimg.cn/b8146c9d0f284aa68618e3deb89c4290.png)
