十七、hadoop壓縮相關(guān)

一、數(shù)據(jù)壓縮在hadoop中的意義

1、基本概述

? 壓縮技術(shù)可以減少底層hdfs的讀寫字節(jié)數(shù)。并且能夠降低在數(shù)據(jù)傳輸過(guò)程中占用的網(wǎng)絡(luò)帶寬資源，以及降低占用的磁盤空間。而在MapReduce中，shuffle以及merge過(guò)程都面臨著巨大的IO壓力。但是要注意增加了壓縮，另外一方面會(huì)增加cpu的負(fù)載。所以在要權(quán)衡好是否采用壓縮，以及采用的壓縮算法的特性。

2、壓縮應(yīng)用基本原則

運(yùn)算密集型的job，少用壓縮。因?yàn)閴嚎s占用cpu。
IO密集型的job，可用壓縮減少數(shù)據(jù)量。
選擇壓縮算法時(shí)，要注意壓縮比，壓縮比越大，壓縮以及解壓時(shí)間越長(zhǎng)。

二、MR支持的壓縮編碼格式

1、壓縮編碼

2、不同壓縮算法對(duì)應(yīng)的編解碼器

3、不同壓縮算法的特性以及適用場(chǎng)景

（1）gzip

優(yōu)點(diǎn)：
壓縮率高，解壓、壓縮速度也必比較快。hadoop本身自帶，在應(yīng)用中處理gzip格式的文件就和直接處理文本一樣。大部分Linux自帶gzip命令，使用方便。

缺點(diǎn)：不支持split

適用場(chǎng)景：
當(dāng)每個(gè)文件壓縮之后在一個(gè)block左右的大?。ㄒ?yàn)闊o(wú)法分片），都可以考慮使用gzip將原數(shù)據(jù)壓縮。例如可以將一天或者一小時(shí)的日志壓縮成一個(gè)gzip文件，運(yùn)行MapReduce的時(shí)候就可以并行處理多個(gè)gzip。hive，streaming，MapReduce程序處理壓縮文件時(shí)，無(wú)需修改程序，就像處理文本文件一樣。

（2）bzip2

優(yōu)點(diǎn)：
支持split；高壓縮比，比gzip高。hadoop自帶，Linux下自帶bzip2命令

缺點(diǎn)：壓縮、解壓速度慢，不支持native（java和C交互的api接口）

適用場(chǎng)景：
適合對(duì)速度要求不高，但需要較高的壓縮率的時(shí)候，可以作為mapreduce作業(yè)的輸出格式；或者輸出之后的數(shù)據(jù)比較大，處理之后的數(shù)據(jù)需要壓縮存檔減少磁盤空間并且以后數(shù)據(jù)用得比較少的情況；或者對(duì)單個(gè)很大的文本文件想壓縮減少存儲(chǔ)空間，同時(shí)又需要支持split，而且兼容之前的應(yīng)用程序（即應(yīng)用程序不需要修改）的情況。

（3）lzo

優(yōu)點(diǎn)：
壓縮/解壓速度比較快，壓縮率合理（比gzip和bzip2?。?。支持split，是hadoop中最流行的壓縮格式?？梢栽贚inux下可以通過(guò)安裝lzop命令來(lái)使用

缺點(diǎn)：
壓縮率比gzip要低一些；hadoop本身不支持，需要安裝；在應(yīng)用中對(duì)lzo格式的文件需要做一些特殊處理（為了支持split需要建索引，還需要指定inputformat為lzo格式）。

適用場(chǎng)景：
一個(gè)很大的文本文件，壓縮之后還大于200M以上的可以考慮，而且單個(gè)文件越大，lzo優(yōu)點(diǎn)越越明顯。

（4）snappy

優(yōu)點(diǎn)：壓縮和解壓速度快，合理的壓縮率
缺點(diǎn)：不支持的split，壓縮率比gzip要低；hadoop本身不支持，需要安裝
適用場(chǎng)景：
當(dāng)Mapreduce作業(yè)的Map輸出的數(shù)據(jù)比較大的時(shí)候，作為Map到Reduce的中間數(shù)據(jù)的壓縮格式；或者作為一個(gè)Mapreduce作業(yè)的輸出和另外一個(gè)Mapreduce作業(yè)的輸入。

三、壓縮的配置

1、適用范圍

可以用在MapReduce的任意階段輸出、原始數(shù)據(jù)的壓縮、reduce的輸出等

2、hadoop壓縮配置參數(shù)

四、壓縮應(yīng)用實(shí)戰(zhàn)例子

1、數(shù)據(jù)流的壓縮和解壓

package JavaCompress;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionInputStream;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;

import java.io.*;

public class TestCompress {
    public static void main(String[] args) throws IOException, ClassNotFoundException {
        //compress("G:\\Fly Away-梁靜茹.mp3", "org.apache.hadoop.io.compress.GzipCodec");
        deCompress("G:\\Fly Away-梁靜茹.mp3.gz", "mp3");

    }

//壓縮
    public static void compress(String filename, String method) throws IOException, ClassNotFoundException {
        //創(chuàng)建輸入流
        FileInputStream fis = new FileInputStream(new File(filename));

        //通過(guò)反射獲取壓縮類的Class 對(duì)象
        Class codecClass = Class.forName(method);

        //通過(guò)反射獲取壓縮對(duì)象
        CompressionCodec codec = (CompressionCodec)ReflectionUtils.newInstance(codecClass, new Configuration());

        //創(chuàng)建普通輸出流對(duì)象
        FileOutputStream fos = new FileOutputStream(new File(filename + codec.getDefaultExtension()));

        //通過(guò)壓縮對(duì)象創(chuàng)建壓縮輸出流，類似于將普通輸出流封裝成壓縮輸出流
        CompressionOutputStream cos = codec.createOutputStream(fos);

        //流拷貝
        IOUtils.copyBytes(fis, cos, 1024 * 1024 * 5, false);

        fis.close();
        cos.close();
        fos.close();

    }

//解壓
    public static void deCompress(String filename, String decode) throws IOException {
        CompressionCodecFactory factory = new CompressionCodecFactory(new Configuration());

        //獲取文件的壓縮算法類型對(duì)象，返回值可用于檢查文件是否可解壓
        CompressionCodec codec = factory.getCodec(new Path(filename));
        if (codec == null) {
            System.out.println("不支持解壓縮：" + filename);
            return;
        }

        //根據(jù)壓縮文件的壓縮類型，返回的對(duì)象用于創(chuàng)建壓縮輸入流
        CompressionInputStream cis = codec.createInputStream(new FileInputStream(new File(filename)));

        //創(chuàng)建輸出流
        FileOutputStream fos = new FileOutputStream(new File(filename + decode));

        IOUtils.copyBytes(cis, fos, 1024 * 1024 * 5, false);

        cis.close();
        fos.close();

    }
}

2、map輸出采用壓縮

用法很簡(jiǎn)單，只需在driver中給job配置以下參數(shù)即可

Configuration configuration = new Configuration();

// 開啟map端輸出壓縮
configuration.setBoolean("mapreduce.map.output.compress", true);
// 設(shè)置map端輸出壓縮方式
configuration.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);

3、reduce輸出采用壓縮

依舊是在driver中設(shè)置以下

// 設(shè)置reduce端輸出壓縮開啟
FileOutputFormat.setCompressOutput(job, true);

// 設(shè)置壓縮的方式
FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class); 
//      FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class); 
//      FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class);