从刚毕业开始接触Hadoop写map/reduce作业开始，就遇到了输入数据是GBK编码的问题，找了身边的牛人搞到了一句代码解决。

     String line=new String(value.getBytes(),0,value.getLength(),”GBK”); //这里的value是Text类型。

     然后一直在用，却也没有想过其中的原由。最近埋下头来学习Hadoop的基础知识，又联想到了这里。

     其实，String line=value.toString();之所以会把GBK编码的输入变成乱码，很关键的一个因素是Text这个Writable类型造成的。初学时，一直认为和LongWritable对long的封装一样，Text类型是String的Writable封装。但其实Text和String还是有些区别，它是一种UTF-8格式的Writable，而Java中的String是Unicode字符。所以直接使用value.toString()方法，会默认其中的字符都是UTF-8编码过的，因而原本GBK编码的数据使用Text读入后直接使用该方法就会变成乱码。

     正确的方法是将输入的Text类型的value转换为字节数组，使用String的构造器String(byte[] bytes, int offset, int length, Charset charset)，通过使用指定的charset解码指定的byte子数组，构造一个新的String。即 String line=new String(value.getBytes(),0,value.getLength(),”GBK”);

     Text的UTF-8特性也可以从TextOutputFormat中看出一二，在TextOutputFormat的源码中，

     private static final String utf8 = “UTF-8″;//这里被写死成了utf-8

     所以如果需要map/reduce输出其它编码格式的数据，需要自己实现OutputFormat，在其中指定编码方式，而不能使用默认的TextOutputFormat。具体的范例可以见淘宝数据平台与产品部官方博客上的博文 http://www.tbdata.org/archives/244 。

建议继续学习：

1. Facebook的实时Hadoop系统    (阅读：10600)
2. 字符编码和中文乱码小叙    (阅读：5703)
3. hadoop rpc机制 && 将avro引入hadoop rpc机制初探    (阅读：5116)
4. 中文编码杂谈    (阅读：4988)
5. PHP编码规范    (阅读：4406)
6. base64_encode 和 urlencode    (阅读：4130)
7. Hadoop超级安装手册    (阅读：3993)
8. UTF-8编码中BOM的检测与删除    (阅读：4083)
9. Linux screen窗口中文乱码问题    (阅读：4008)
10. 关于哈希map奇慢无比的原因定位    (阅读：3986)