Hadoop压缩方式

首先简单介绍MapReduce框架的I/O处理各个步骤：

1）从HDFS读取文件输入到Map程序中
2）将Mapper程序中的输出结果保存到本地中
3）Reducer从Mapper获取数据文件，即Reducer与Mapper之间进行网络传输操作
4）Reducer从Mapper获取相应分区的所有数据之后，会进行数据合并操作，此过程中，Reducer端对
接收到数据进行排序。
5）Reducer实例从本地硬盘中读取所有已经整理好的数据记录，调用reduce方法对数据进行处理。
6）Reducer程序的输出结果重新写回到HDFS中。

1.压缩内容选择
1）输入文件的压缩：如果对输入文件进行压缩，则将输入块读入Mapper程序中时可进行更少的I/O处理。然而，解压文件时需要消耗更多的CPU周期。
2）压缩Mapper程序的中间输出：在一个MapReduce程序中，Mapper程序中会Mapper节点上产生中间结果，这些文件被对应的Reducer程序进行分区，根据分区进行排序，并且由Reducer程序利用HTTP协议进行下载。压缩这类输出可减少文件从Mapper程序中写入到本地磁盘的文件I/O，也可以减少分区从Mapper节点传输到Reducer节点的网络I/O。
3）压缩MapReduce程序的输出：不管程序是否需要进行Reducer阶段的处理。都只对需要进行Map处理的程序应用Mapper程序进行输出，对经过Reducer处理的程序应用Reducer程序进行输出。

2.压缩方式
可使用三种标准对压缩方式进行评价
1）压缩文件的大小：越小越好，因为在磁盘和网络之间进行读写时涉及的I/O操作越少越好
2）压缩文件所用时间：越快愈好
3）已经压缩的格式是否可以进行再分割：可以分割的格式允许单一文件由多个Mapper程序处理，可实现更好的并行度。
上述三种压缩方式需要进行权衡，例如实现更快压缩的方式下需要占用更多CPU周期。

常用压缩方式的对比表格

上述Snappy压缩方式比GZIP方式快几个数量级，然而输出文件更大，大出20%-100%。Snappy压缩源于Google并广泛应用MapReducer程序和衍生框架中

Hadoop框架中带有对文件进行压缩和解压缩的编码解码器（一个编码解码器CompressionCodec类的实现）。编码解码器列表由core-site.xml中的io.compression.codecs属性提供，它的值是由逗号列表，每项是CompressionCodec实现类的全类名。

默认情况是不启动压缩。可以将mapred-site.xml中的下列属性值设置为true以启用压缩。

mapreduce.output.fileoutputformat.compress 用于输出
mapreduce.map.output.compress用于Mapper程序中间输出
mapreduce.output.fileoutputformat.compress.codec 为输出配置默认的编码解码器
mapreduce.ma.output.compress.codec Mapper程序中间输出配置默认的编码解码器

3.配置压缩方式

打开压缩用于输出，在配置时添加下面几行：
Configuration cond = new Configuration();
Jon job = new Job(conf);
FileOutput.setCompressOutput(job,true);
FileOutput.setOutputCompressionClass(job,GzipCodec.class);
使用Snappy的编码解码器
FileOutputFormat.setOutputCompressionClass(job,SnappyCodec.class)
打开压缩用于Mapper程序的中间输出，在配置时我们添加下面的几行
Configuration conf = new Configuration();
conf.setBoolean("mapreduce.map.output.compress",true);
conf.setClass("mapreduce.map.output.compress.codec",GzipCodec.class,CompressionCodec.class);
FileOutput.setCompressOutput(job,true);
FileOutput.setOutputCompressionClass(job,GzipCodec.class);
Job job = new Job(conf);