烟台小学网站建设,做百度网站还是安居客网站,wordpress与织梦,正常做网站多少钱1 概述 序列化#xff1a; 把内存中的对象#xff0c;转换成字节序列#xff08;或其他数据传输协议#xff09;#xff0c;以便于存储到磁盘#xff08;持久化#xff09;和网络传输。
反序列化#xff1a; 将收到字节序列#xff08;或其他数据传输协议#xff09…1 概述 序列化 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。
反序列化 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。
序列化原因 服务器间不能传递内存中的对象对象只能在本地的进程中使用所以通过将内存中的对象序列化和反序列化的方式进行传递。 不用Java序列化的原因 Java的序列化是一个重量级序列化框架Serializable一个对象被序列化后会附带很多额外的信息各种校验信息Header继承体系等不便于在网络中高效传输。
Hadoop序列化只附带了一些简单的校验信息。 优点 1结构紧凑高效利用存储空间。 2快速读写额外开销小。 3互操作支持多语言交互。
2 自定义bean对象实现序列化接口Writable
当基本序列化类型第三章 1.4 部分不能满足所有需求比如在Hadoop框架内部传递一个bean对象那么该对象就需要实现序列化接口。 步骤 1必须实现Writable接口。 2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();
}3重写序列化方法。
Override
public void write(DataOutput out) throwsIOException {out.writeLong(upFlow);out.writeLong(downFlow);out.writeLong(sumFlow);
}4重写反序列化方法。
Override
public void readFields(DataInput in)throws IOException {upFlow in.readLong();downFlow in.readLong();sumFlow in.readLong();
}5反序列化的顺序和序列化的顺序完全一致先进先出原则。 6想把结果显示在文件中因为默认传输的是地址值需要重写toString()可用\t分开方便后续用。 7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。
Override
public int compareTo(FlowBean o) {//倒序排列从大到小returnthis.sumFlow o.getSumFlow() ? -1 : 1;
}3 序列化案例 步骤 1创建一个Bean实现Writable接口创建构造函数getter和setter重写序列化方法write(…)和反序列化方法readFields(…)以及输出函数toString()
package com.study.mapreduce.Flow;import org.apache.hadoop.io.Writable;import java.io.DataInput;
import java.io.DataOutput;
import java.io.IOException;public class FlowBean implements Writable {private long upFlow; //上行流量private long downFlow; //下行流量private long sumFlow; //总流量public FlowBean() {}public long getUpFlow() {return upFlow;}public long getDownFlow() {return downFlow;}public long getSumFlow() {return sumFlow;}public void setUpFlow(long upFlow) {this.upFlow upFlow;}public void setDownFlow(long downFlow) {this.downFlow downFlow;}public void setSumFlow() {this.sumFlow this.upFlow this.downFlow;}// 反序列化的顺序和序列化的顺序完全一致先进先出原则。Overridepublic void write(DataOutput dataOutput) throws IOException {dataOutput.writeLong(upFlow);dataOutput.writeLong(downFlow);dataOutput.writeLong(sumFlow);}Overridepublic void readFields(DataInput dataInput) throws IOException {this.upFlow dataInput.readLong();this.downFlow dataInput.readLong();this.sumFlow dataInput.readLong();}Overridepublic String toString() {return upFlow downFlow sumFlow ;}
}
2创建Mapper类继承Mapper泛型Mapper泛型输入key输入value输出key输出value重写map(…)函数对数据进行切割封装。 输入key一般都是默认的类型LongWritable输入value为一行数据则为Text输出key为字符类型即Text输出value为BeanBean中封装有别的内容。
package com.study.mapreduce.Flow;import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Mapper;import java.io.IOException;//Mapper泛型输入key,输入value输出key输出value
//输入key一般都是默认的类型LongWritable输入value为一行数据则为Text
//输出key为电话号码为字符类型即Text输出value为FlowBeanFlowBean中封装有别的内容
public class FlowMapper extends MapperLongWritable, Text, Text, FlowBean {private Text outK new Text();private FlowBean outV new FlowBean();Overrideprotected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {//1 获取一行数据,转成字符串//1 13498787894 120.196.100.99 www.baidu.com 1116 954 200String line value.toString();//2 切割数据//1,13498787894,120.196.100.99,www.baidu.com,1116,954,200String[] split line.split( );//3 抓取我们需要的数据:手机号,上行流量,下行流量String phone split[1];String up split[split.length - 3];String down split[split.length - 2];//4 封装outK outVoutK.set(phone);outV.setUpFlow(Long.parseLong(up)); //Long.parseLong()把string类型转为long型outV.setDownFlow(Long.parseLong(down));outV.setSumFlow();//5 写出outK outVcontext.write(outK, outV);}
}
3创建Reducer类继续Reducer泛型重写reduce(…)函数对数据进行整合封装。reduce方法是相同的key调用一次 reduce的输入key,value为mapper的输出key,valuereduce的输出key,value为自己指定类型为Text,Bean。
package com.study.mapreduce.Flow;import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Reducer;import java.io.IOException;//reducer的输入kv为mapper的输出kv
public class FlowReducer extends ReducerText, FlowBean, Text, FlowBean {private FlowBean outV new FlowBean();Overrideprotected void reduce(Text key, IterableFlowBean values, Context context) throws IOException, InterruptedException {//reduce方法是相同的key调用一次long totalUp 0;long totalDown 0;//1 遍历values,将其中的上行流量,下行流量分别累加for (FlowBean flowBean : values) {totalUp flowBean.getUpFlow();totalDown flowBean.getDownFlow();}//2 封装outKVoutV.setUpFlow(totalUp);outV.setDownFlow(totalDown);outV.setSumFlow();//3 写出outK outVcontext.write(key,outV);}
}
4创建Driver类写法固定。
public static void main(String[] args) throws IOException, ClassNotFoundException, InterruptedException {//1 获取job对象Configuration conf new Configuration(true);Job job Job.getInstance(conf);//2 关联本Driver类job.setJarByClass(FlowDriver.class);//3 关联Mapper和Reducerjob.setMapperClass(FlowMapper.class);job.setReducerClass(FlowReducer.class);//4 设置Map端输出KV类型job.setMapOutputKeyClass(Text.class);job.setMapOutputValueClass(FlowBean.class);//5 设置程序最终输出的KV类型job.setOutputKeyClass(Text.class);job.setOutputValueClass(FlowBean.class);//6 设置程序的输入输出路径FileInputFormat.setInputPaths(job, new Path(D:\\inputflow));FileOutputFormat.setOutputPath(job, new Path(D:\\outputflow));//7 提交Jobboolean b job.waitForCompletion(true);System.exit(b ? 0 : 1);}
