如果在mapreduce的作业中有类似这样的情况，那么job 就肯定是可以优化的：
Text 对象被用来处理非text的数据 或者复杂结构的数据
IntWritable orLongWritable objects are used when most output values tend to be significantly smaller than the maximum value.
当大多数的output中的value都比最大的value值要小的多的时候使用 IntWritable 或者 LongWritable对象。
当mapreduce的新手写mapreduce程序时，或是习惯了 Hadoop的streaming作业的使用方式，转而使用mapreduce来写程序时，常常会有人不正确的使用Text类，很多的时候，没有这个必要。虽然使用Text非常方便，但是，从数字类型转换成UTF8的字符串的效率是很低的，如果这样的操作很多，是会占用过多的cpu时间而导致作业效率降低。任何时候，当处理非文本数据（数字，浮点等类型），使用IntWritable或者FloatWritable的效率会高很多。
除了 Text的问题，二进制的writable 对象通常还会占用更少的存储空间 。由于磁盘IO和网络 的传输常常都是 mapreduce作业的瓶颈所在，这样做可以很大程度的提高job的性能，尤其是当job的规模很大的时候。当处理Integer数据时，同样有时是可以使用VIntWritable或者VLongWritable来提高性能。不仅可以减少cpu占用，也可以减少空间占用。例如，4，当序列化时会被序列化成1个byte，而10000序列化时会占用2个bytes。这种类似couters的值，序列化时的length就会很重要。当数据都是很小的数字，而只有一些是很大的时候，这样的效率节约是非常可观的。
如果hadoop中自带的Writable的各种类型不能满足需要，可以自己写一个。非常的简单，这样也可能会比直接用Text，然后解析来的高效。在写自己的Writable时，尝试提供一个RawComparator（可以从 hadoop的源码中找到类似的实现）。
同样，如果maprduce job是一系列job中的一个，可以在中间结果和中间job的output中都使用SequenceFile来保存中间结果，即使最后的输出需要使用文本化的数据。这样可以减少数据的中间结果，减低磁盘的 IO，并且节省网络传输。
测试对比:
对于example中的word count job，我们可以修改value中的数据类型从IntWritable为Text，在reduce中，用Integer.parseString(value.toString()) 来接收value信息。job的性能直接就降低了10%，整个job花了9分钟，并且每一个map都花费了36秒钟的时间，原先只需要33秒。由于 Integer的parse本身比较快，这样做并没有太大程度上的影响性能，而在通常情况下，不同的使用方式会产生2-3倍的性能差。