欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

各种类型的Writable

程序员文章站 2022-07-15 09:49:47
...

各种类型的Writable(Text、ByteWritable、NullWritable、ObjectWritable、GenericWritable、ArrayWritable、MapWritable、SortedMapWritable)

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。

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。
@Test  
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


@Test  
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
各种类型的Writable
 
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
@Test  
   public 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);  
   }  
  
   @Test  
   public 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);  
   }  

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对象使用ByteBuffer进行封装,然后再调用Text的静态方法bytesToCodePoint对ByteBuffer进行轮询返回unicode字符的code point。看一下示例代码:
package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.Text;  
  
import java.nio.ByteBuffer;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-7-9 
 * Time: 下午5:00 
 * To change this template use File | Settings | File Templates. 
 */  
public class TextIterator {  
    public static void main(String[] args) {  
        Text text = new Text("\u0041\u00DF\u6771\uD801\udc00");  
        ByteBuffer buffer = ByteBuffer.wrap(text.getBytes(), 0, text.getLength());  
        int cp;  
        while (buffer.hasRemaining() && (cp = Text.bytesToCodePoint(buffer)) != -1) {  
            System.out.println(Integer.toHexString(cp));  
        }  
    }  
}  

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


但要注意的就是,在某些情况下Text的getBytes方法返回的字节数组的长度和Text的getLength方法返回的长度不一致。因此,在调用getBytes()方法的同时最好也调用一下getLength方法,这样你就知道在字节数组里有多少有效的字符。

@Test  
public void testTextMutability2() {  
    Text text = new Text("hadoop");  
    text.set(new Text("pig"));  
    Assert.assertEquals(text.getLength(),3);  
    Assert.assertEquals(text.getBytes().length,6);  
} 

BytesWritable类型

ByteWritable类型是一个二进制数组的封装类型,序列化格式是以一个4字节的整数(这点与Text不同,Text是以变长int开头)开始表明字节数组的长度,然后接下来就是数组本身。看下示例:
@Test  
public void testByteWritableSerilizedFromat() throws IOException {  
    BytesWritable bytesWritable=new BytesWritable(new byte[]{3,5});  
    byte[] bytes=SerializeUtils.serialize(bytesWritable);  
    Assert.assertEquals(StringUtils.byteToHexString(bytes),"000000020305");  
}  

和Text一样,ByteWritable也可以通过set方法修改,getLength返回的大小是真实大小,而getBytes返回的大小确不是。

        bytesWritable.setCapacity(11);  
        bytesWritable.setSize(4);  
        Assert.assertEquals(4,bytesWritable.getLength());  
        Assert.assertEquals(11,bytesWritable.getBytes().length);  

NullWritable类型

NullWritable是一个非常特殊的Writable类型,序列化不包含任何字符,仅仅相当于个占位符。你在使用mapreduce时,key或者value在无需使用时,可以定义为NullWritable。
package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.NullWritable;  
import org.apache.hadoop.util.StringUtils;  
  
import java.io.IOException;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-7-16 
 * Time: 下午9:23 
 * To change this template use File | Settings | File Templates. 
 */  
public class TestNullWritable {  
    public static void main(String[] args) throws IOException {  
        NullWritable nullWritable=NullWritable.get();  
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(nullWritable)));  
    }  
}  



ObjectWritable类型

ObjectWritable是其他类型的封装类,包括java原生类型,String,enum,Writable,null等,或者这些类型构成的数组。当你的一个field有多种类型时,ObjectWritable类型的用处就发挥出来了,不过有个不好的地方就是占用的空间太大,即使你存一个字母,因为它需要保存封装前的类型,我们来看下示例:

package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.ObjectWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.util.StringUtils;  
  
import java.io.IOException;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-7-17 
 * Time: 上午9:14 
 * To change this template use File | Settings | File Templates. 
 */  
public class TestObjectWritable {  
    public static void main(String[] args) throws IOException {  
        Text text=new Text("\u0041");  
        ObjectWritable objectWritable=new ObjectWritable(text);  
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(objectWritable)));  
  
    }  
}  


仅仅是保存一个字母,那么看下它序列化后的结果是什么:
00196f72672e6170616368652e6861646f6f702e696f2e5465787400196f72672e6170616368652e6861646f6f702e696f2e546578740141

太浪费空间了,而且类型一般是已知的,也就那么几个,那么它的代替方法出现,看下一小节

GenericWritable类型

使用GenericWritable时,只需继承于他,并通过重写getTypes方法指定哪些类型需要支持即可,我们看下用法:

package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.GenericWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.io.Writable;  
  
class MyWritable extends GenericWritable {  
  
    MyWritable(Writable writable) {  
        set(writable);  
    }  
  
    public static Class<? extends Writable>[] CLASSES=null;  
  
    static {  
        CLASSES=  (Class<? extends Writable>[])new Class[]{  
                Text.class  
        };  
    }  
  
    @Override  
    protected Class<? extends Writable>[] getTypes() {  
        return CLASSES;  //To change body of implemented methods use File | Settings | File Templates.  
    }  
}  

然后输出序列化后的结果


package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.IntWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.io.VIntWritable;  
import org.apache.hadoop.util.StringUtils;  
  
import java.io.IOException;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-7-17 
 * Time: 上午9:51 
 * To change this template use File | Settings | File Templates. 
 */  
public class TestGenericWritable {  
  
    public static void main(String[] args) throws IOException {  
        Text text=new Text("\u0041\u0071");  
        MyWritable myWritable=new MyWritable(text);  
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(text)));  
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(myWritable)));  
  
    }  
}  

结果是:

024171  
00024171  

GenericWritable的序列化只是把类型在type数组里的索引放在了前面,这样就比ObjectWritable节省了很多空间,所以推荐大家使用GenericWritable

集合类型的Writable

ArrayWritable和TwoDArrayWritable

ArrayWritable和TwoDArrayWritable分别表示数组和二维数组的Writable类型,指定数组的类型有两种方法,构造方法里设置,或者继承于ArrayWritable,TwoDArrayWritable也是一样。
package com.sweetop.styhadoop;  
  
import org.apache.hadoop.io.ArrayWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.io.Writable;  
import org.apache.hadoop.util.StringUtils;  
  
import java.io.IOException;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-7-17 
 * Time: 上午11:14 
 * To change this template use File | Settings | File Templates. 
 */  
public class TestArrayWritable {  
    public static void main(String[] args) throws IOException {  
        ArrayWritable arrayWritable=new ArrayWritable(Text.class);  
        arrayWritable.set(new Writable[]{new Text("\u0071"),new Text("\u0041")});  
        System.out.println(StringUtils.byteToHexString(SerializeUtils.serialize(arrayWritable)));  
    }  
}  


看下输出:

0000000201710141  


可知,ArrayWritable以一个整型开始表示数组长度,然后数组里的元素一一排开。

ArrayPrimitiveWritable和上面类似,只是不需要用子类去继承ArrayWritable而已。

MapWritable和SortedMapWritable

MapWritable对应Map,SortedMapWritable对应SortedMap,以4个字节开头,存储集合大小,然后每个元素以一个字节开头存储类型的索引(类似GenericWritable,所以总共的类型总数只能倒127),接着是元素本身,先key后value,这样一对对排开。
这两个Writable以后会用很多,贯穿整个hadoop,这里就不写示例了。
 
我们注意到没看到set集合和list集合,这个可以代替实现。用MapWritable代替set,SortedMapWritable代替sortedmap,只需将他们的values设置成NullWritable即可,NullWritable不占空间。相同类型构成的list,可以用ArrayWritable代替,不同类型的list可以用GenericWritable实现类型,然后再使用ArrayWritable封装。当然MapWritable一样可以实现list,把key设置为索引,values做list里的元素。
相关标签: mapreduce hadoop