从Hadoop Writable序列化框架到java的序列化原理

           继上一个模块之后，此次分析的内容是来到了Hadoop IO相关的模块了，IO系统的模块可谓是一个比较大的模块，在Hadoop Common中的io,主要包括2个大的子模块构成，1个是以Writable接口为主的序列化模块，还有1个是解压缩模块，所以打算分成2个模块做分析，今天来说说序列化，反序列化的分析学习，当然不只是简单的wrtite,read等的简单调度。在分析之前，看下IO包的类包含图：

在Hadoop中，你可以用java自带的序列化方式的实现，但是不推荐，因为针对Hadoop系统的分布式环境的特点，最好还是调用Hadoop自身设计的一套新的序列化实现，在java中只要接上Serializable接口代表就可以被序列化了，而在Hadoop中，担任这个角色的就是下面这个接口:

public interface Writable {
  /** 
   * Serialize the fields of this object to <code>out</code>.
   * 
   * @param out <code>DataOuput</code> to serialize this object into.
   * @throws IOException
   */
  void write(DataOutput out) throws IOException;

  /** 
   * Deserialize the fields of this object from <code>in</code>.  
   * 
   * <p>For efficiency, implementations should attempt to re-use storage in the 
   * existing object where possible.</p>
   * 
   * @param in <code>DataInput</code> to deseriablize this object from.
   * @throws IOException
   */
  void readFields(DataInput in) throws IOException;
}

里面定义了很简单的2个方法。基本的一些数据类型都继承了这个接口，比如下面的这些：

上面的子类型只是列举出了一部分，基本上每种基本类型都有对应的Writable形式。在默认的上述子类型中都已经实现了接口的方法，所以用户在使用时可以忽略里面的细节。在上述序列化框架中还有一个特殊的设计就是WritableFactories工厂的设计。

/** Factories for non-public writables.  Defining a factory permits {@link
 * ObjectWritable} to be able to construct instances of non-public classes. */
public class WritableFactories {
  /**
   * Writable工厂模式的变量保存
   */
  private static final HashMap<Class, WritableFactory> CLASS_TO_FACTORY =
    new HashMap<Class, WritableFactory>();

  private WritableFactories() {}                  // singleton

在这里维护了1个map容器。那么WritableFactory是什么呢：

/** A factory for a class of Writable.
 * @see WritableFactories
 */
public interface WritableFactory {
  /** Return a new instance. */
  Writable newInstance();
}

其实也就是一个接口，不过，通过这个factory你可以返回你想要的Writable对象，这个工厂产生的Writable对象可能会用于某些ObjectWritable的readFileds()等等方法中。当然，Hadoop还能接入其他比较优秀的序列化框架，比如Hadoop Avro，Apache Thrift或者Google Protocol Buffer。

            上面说的都是Hadoop中的各种序列化机制，那为什么Hadoop就不能采用java自带的Serialization的序列化机制呢，这个问题还得归咎于Hadoop系统的本身，Hadoop作为一种分布式平台，数据的传输都是通过RPC的形式，与网络的环境，带宽等都非常有影响。所以这时候，就要求传递的数据最好短小，精炼，序列化，反序列应该是越快速越好了哦。但是这些要求在java自带的机制中就有些不符合了。下面来看个java自带程序的序列化例子：

声明了一个类A,一个类B:

public class A implements Serializable{
	protected int age;
}

public class B extends A{
	/**
	 * 
	 */
	private static final long serialVersionUID = -5079514899384299792L;

	private float height;
	
	private ContainClass contain = new ContainClass();
	
	public void setHeight(float height){
		this.height = height;
	}
}

还有1个contain内部类:

public class ContainClass implements Serializable{
	private int value = 11;
}

然后再场景类中调用，将Object B的信息序列化到文件中:

/**
 * 序列化测试类
 * @author lyq
 *
 */
public class Client {
	public static void main(String[] args){
		B b = new B();
		b.age = 22;
		b.setHeight(170);
		
		String filePath = "D:test.txt";
		serialization(filePath, b);
	}
	
	/**
	 * serialize to file
	 * 
	 * @param filePath
	 * @param obj
	 * @return
	 * @throws RuntimeException
	 *             if an error occurs
	 */
	public static void serialization(String filePath, Object obj) {
		ObjectOutputStream out = null;
		try {
			out = new ObjectOutputStream(new FileOutputStream(filePath));
			out.writeObject(obj);
			out.close();
		} catch (FileNotFoundException e) {
			throw new RuntimeException("FileNotFoundException occurred. ", e);
		} catch (IOException e) {
			throw new RuntimeException("IOException occurred. ", e);
		} finally {
			if (out != null) {
				try {
					out.close();
				} catch (IOException e) {
					throw new RuntimeException("IOException occurred. ", e);
				}
			}
		}
	}
}

最后就序列化到我的D盘的目录下了，这时如果你直接用txt打开估计是看不出什么东西的，建议，用一个代码编辑器以16进制的形式打开，就会看到下面的样子:

AC ED 00 05 73 72 00 0F  53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 42 B9  81 F0 1C 86 E5 0E F0 02 
00 02 46 00 06 68 65 69  67 68 74 4C 00 07 63 6F 
6E 74 61 69 6E 74 00 1C  4C 53 65 72 69 61 6C 69 
7A 65 54 65 73 74 2F 43  6F 6E 74 61 69 6E 43 6C 
61 73 73 3B 78 72 00 0F  53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 41 D7  91 1A 56 65 43 36 5D 02 
00 01 49 00 03 61 67 65  78 70 00 00 00 16 43 2A 
00 00 73 72 00 1A 53 65  72 69 61 6C 69 7A 65 54 
65 73 74 2E 43 6F 6E 74  61 69 6E 43 6C 61 73 73 
72 41 F3 7A E0 C6 43 DF  02 00 01 49 00 05 76 61 
6C 75 65 78 70 00 00 00  0B 

关看上面的字节码也许你会头大，下面看一下对应的字符表

我们可以清晰的看到里面不关关保留了类B的本身类名信息，还有他的父类A的信息，还有A中的变量域等等，可以说还是非常庞杂的信息，设想一下，我这才是非常简单的定义了2个类，变量都只是1,2个int整形值，就已经如此庞大了，如果遇上复杂的类需要序列化，序列化后的文件大小一定不小。所以这也正是Hadoop不采用java自带的序列化机制的原因。但是既然，我们已经分析到这里了，就彻底的了解一下java的序列化机制的原理，也许很多人经常用过序列化，但还不知道序列化后的东西到底是什么吧，还是继续上年这个例子，我们通过上面的字节码去一一解读。在解读之前，有必要知道java的序列化一个简单对象的过程：

1.将对象实例相关的类元数据输出

2.递归地往上输出类的父类描述直到没有父类

3.类元数据输出完毕后，接着反着从最顶上的父类开始输出对象实例的数据值

4.再从上到下递归的输出实例的所有的值

对照上面的算法，我们试试分析一下,首先输出刚刚序列化后的字节码:

AC ED 00 05 73 72 00 0F  53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 42 B9  81 F0 1C 86 E5 0E F0 02 
00 02 46 00 06 68 65 69  67 68 74 4C 00 07 63 6F 
6E 74 61 69 6E 74 00 1C  4C 53 65 72 69 61 6C 69 
7A 65 54 65 73 74 2F 43  6F 6E 74 61 69 6E 43 6C 
61 73 73 3B 78 72 00 0F  53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 41 D7  91 1A 56 65 43 36 5D 02 
00 01 49 00 03 61 67 65  78 70 00 00 00 16 43 2A 
00 00 73 72 00 1A 53 65  72 69 61 6C 69 7A 65 54 
65 73 74 2E 43 6F 6E 74  61 69 6E 43 6C 61 73 73 
72 41 F3 7A E0 C6 43 DF  02 00 01 49 00 05 76 61 
6C 75 65 78 70 00 00 00  0B 

字母和大小有点不一致导致对不齐了，不过可以将就着看：

首先是AC ED：魔数，代表使用了序列化协议

00 05 :代表序列化协议版本

0x73:声明了这是一个新的对象

首先刚刚算法的第一步，输出对象类的类元数据：

首先A----->B
0x72:代表一个新的类的开始标记

00 0F：表示新的Class的名字长度，这里的值为15，因为名字为SerializeTest.B，总共15个字符

53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 42:表示类名，值为SerializeTest.B，通过字符的Ascall码制做映射，比如A的码制为65，a为65+32=97

B9  81 F0 1C 86 E5 0E F0：类的序列化ID，如果用户没有设定则会由算法随机生成一个8字节的ID，因为我为了区分A,B，把B设成了有序列化ID

public class B extends A{
	/**
	 * 
	 */
	private static final long serialVersionUID = -5079514899384299792L;

 0x02:标记号，该值表明改对象支持序列化

下面是输出里面的元数据的个数了:

00 02:代表的是所包含的变量的个数,这里是2个，B中的域1个为height，1个为contain类
接下来输出变量的信息了：

0x46:代表的是float类型，int类型为49

00 06:域名字的长度，这里为6，就是height

68 65 69  67 68 74：域名的描述，为字符height

然后是输出另一个域变量了就是内部类contain：

0x4c:域的类型，代表一个引用

00 07：域名字长度7，就是contain

63 6F 6E 74 61 69 6E:类名字描述,contain

0x74:代表用一个string来引用对象

00 1C:该string的长度为28

4C 53 65 72 69 61 6C 69 
7A 65 54 65 73 74 2F 43  6F 6E 74 61 69 6E 43 6C 
61 73 73 3B:JVM字节码标准的签名描述符，LSerializeTest/ContainClass;

0x78:contain数据类结束标记

下面开始输出父类的信息了

0x72:代表了一个新类

00 0F：名字长度15

53 65 72 69 61 6C 69 7A 
65 54 65 73 74 2E 41:描述符为SerializeTest.A

D7  91 1A 56 65 43 36 5D:又代表了1个8字节的序列化ID，这个是系统自动生成的

 0x02:标记号，该值表明改对象支持序列化

00 01:代表的是所包含的变量的个数,这里是1个，1个为age

0x49:代表的是int类型

00 03:域名字的长度，这里为3，就是age

61 67 65：域名的描述，为字符age

0x78:A类的数据类结束标记，

0x70:说明A没有父类

到了这里已经把所有的类元数据输出，接着就是自顶向下输出数据的值了：

00 00 00 16：值为16*1+6=22,刚刚好是我设置的age的值。

43 2A 00 00：float类型height的值170的表现形式，不知道二者是怎么对应上的跟整形的不太一样....

下面就是输出contain域的值了，但是contain类还没有输出元数据，所以得执行类似上面的A,B操作；

0x73:声明了这是一个新的对象

0x72:代表一个新的类的开始标记

00 1A：长度域为26

53 65  72 69 61 6C 69 7A 65 54 
65 73 74 2E 43 6F 6E 74  61 69 6E 43 6C 61 73 73 ：域的描述长度26个字节，为SerializeTest.ContainClass

72 41 F3 7A E0 C6 43 DF：8个字节的序列化ID

 0x02:标记号，该值表明改对象支持序列化

00 01：代表域的个数为1个就是里面的int  vaule

0x49:类型为int整形 00 05长度为5，

76 61 6C 75 65：描述符为value

0x78:contain类的数据类结束标记，

0x70:说明contain没有父类

描述完整个内部类的元数据后，回到刚刚那个话题，就是输出值了，就剩下最后的contain.value:

00 00 00  0B :就是十进制的11

好了我们大致理一下序列化的过程

输出B的变量信息----->输出父类A的变量信息------>输出A的变量的值------》输出B的变量的值------》输出contain类的变量值时发现没有输出内部类contain的变量信息-----》再次输出contain的变量信息------》最后输出contain类的变量值

总的来说，还是比较复杂的吧，跟jvm的程序的字节码的生成比较类似。