hadoop深入研究:(九)——mapreduce中的压缩

作为输入

当压缩文件做为mapreduce的输入时，mapreduce将自动通过扩展名找到相应的codec对其解压。

作为输出

当mapreduce的输出文件需要压缩时，可以更改mapred.output.compress为true， mapped.output.compression.codec为想要使用的codec的类名就可以了，当然你可以在代码中指定，通过调用FileOutputFormat的静态方法去设置这两个属性，我们来看代码：

[java]  view plain copy

1. package com.sweetop.styhadoop;  
2.   
3. import org.apache.hadoop.fs.Path;  
4. import org.apache.hadoop.io.IntWritable;  
5. import org.apache.hadoop.io.Text;  
6. import org.apache.hadoop.io.compress.GzipCodec;  
7. import org.apache.hadoop.mapreduce.Job;  
8. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
9. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
10.   
11. import java.io.IOException;  
12.   
13. /** 
14.  * Created with IntelliJ IDEA. 
15.  * User: lastsweetop 
16.  * Date: 13-6-27 
17.  * Time: 下午7:48 
18.  * To change this template use File | Settings | File Templates. 
19.  */  
20. public class MaxTemperatureWithCompression {  
21.     public static void main(String[] args) throws Exception {  
22.         if (args.length!=2){  
23.             System.out.println("Usage: MaxTemperature <input path> <out path>");  
24.             System.exit(-1);  
25.         }  
26.         Job job=new Job();  
27.         job.setJarByClass(MaxTemperature.class);  
28.         job.setJobName("Max Temperature");  
29.   
30.         FileInputFormat.addInputPath(job, new Path(args[0]));  
31.         FileOutputFormat.setOutputPath(job, new Path(args[1]));  
32.   
33.         job.setMapperClass(MaxTemperatrueMapper.class);  
34.         job.setCombinerClass(MaxTemperatureReducer.class);  
35.         job.setReducerClass(MaxTemperatureReducer.class);  
36.   
37.         job.setOutputKeyClass(Text.class);  
38.         job.setOutputValueClass(IntWritable.class);  
39.   
40.         FileOutputFormat.setCompressOutput(job, true);  
41.         FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);  
42.   
43.         System.exit(job.waitForCompletion(true)?0:1);  
44.   
45.     }  
46. }  

输入也是一个压缩文件

[plain]  view plain copy

1. ~/hadoop/bin/hadoop com.sweetop.styhadoop.MaxTemperatureWithCompression   input/data.gz  output/  

输出的每一个part都会被压缩，我们这里只有一个part，看下压缩了的输出

[plain]  view plain copy

1. [hadoop@namenode test]$hadoop fs -get output/part-r-00000.gz .  
2. [hadoop@namenode test]$ls  
3. 1901  1902  ch2  ch3  ch4  data.gz  news.gz  news.txt  part-r-00000.gz  
4. [hadoop@namenode test]$gunzip -c part-r-00000.gz   
5. 1901<span style="white-space:pre">  </span>317  
6. 1902<span style="white-space:pre">  </span>244  

如果你要将序列文件做为输出，你需要设置mapred.output.compression.type属性来指定压缩类型，默认是RECORD类型，它会按单个的record压缩，如果指定为BLOCK类型，它将一组record压缩，压缩效果自然是BLOCK好。

当然代码里也可以设置，你只需调用SequenceFileOutputFormat的setOutputCompressionType方法进行设置。

[plain]  view plain copy

1. SequenceFileOutputFormat.setOutputCompressionType(job, SequenceFile.CompressionType.BLOCK);  

如果你用Tool接口来跑mapreduce的话，可以在命令行设置这些参数，明显比硬编码好很多

压缩map输出

即使你的mapreduce的输入输出都是未压缩的文件，你仍可以对map任务的中间输出作压缩，因为它要写在硬盘并且通过网络传输到reduce节点，对其压缩可以提高很多性能，这些工作也是只要设置两个属性即可，我们看下代码里怎么设置：

[java]  view plain copy

1. Configuration conf = new Configuration();  
2.     conf.setBoolean("mapred.compress.map.output", true);  
3.     conf.setClass("mapred.map.output.compression.codec",GzipCodec.class, CompressionCodec.class);  
4.     Job job=new Job(conf);