19.hadoop系列之MapReduce数据压缩

1.压缩概述

压缩优缺点：减少磁盘IO时间、节省磁盘空间；增加CPU开销
压缩原则：CPU密集型Job,少用压缩；IO密集型Job,多用压缩

2.压缩算法比较

压缩格式	Hadoop自带	算法	扩展名	可切片	程序是否需修改	压缩速度MB/S	解压速度MB/S
DEFLATE	是	DEFLATE	.deflate	否	否
Gzip	是	DEFLATE	.gz	否	否	17.5	58
Bzip2	是	bzip2	.bz2	是	否	2.4	9.5
LZO	否,需安装	LZO	.lzo	是	需要建索引并指定输入格式	49.3	74.6
Snappy	是	Snappy	.snappy	否	否	250	500

3.压缩算法选择

压缩方式选择时重点考虑：解压缩速度、压缩率、压缩后是否支持切片

Mapper输入端压缩：无需显示指定编解码方式。Hadoop自动检查文件扩展名，如果匹配，就会用恰当的方式对文件进行压缩和解压。数据量小于块大小，重点考虑压缩比较快的LZO与Snappy;如果数据量非常大，重点考虑支持切片的Bzip2和LZO
Mapper输出端压缩：为了减少MapTask和ReduceTask之间的网络IO,重点考虑解压缩比较快的LZO与Snappy
Reducer输出端压缩：如果数据永久保存，考虑压缩率比较高的Bzip2和Gzip

4.压缩算法实践

我们执行hadoop checknative查看目前支持的算法

public class WordCountCompressDriver {

    public static void main(String[] args) throws IOException, InterruptedException, ClassNotFoundException {
        Configuration conf = new Configuration();
        // 开启map端输出压缩
        conf.setBoolean("mapreduce.map.output.compress", true);
        // 设置map端输出压缩格式
        conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);
        Job job = Job.getInstance(conf, "word count");
        job.setJarByClass(WordCountCompressDriver.class);
        job.setMapperClass(WordCountMapper.class);
        job.setCombinerClass(WordCountReduce.class);
        job.setReducerClass(WordCountReduce.class);
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        // 开始Reduce端输出压缩
        FileOutputFormat.setCompressOutput(job, true);
        //FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
        // 设置压缩编码
        FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);

        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));
        System.exit(job.waitForCompletion(true) ? 0 : 1);
    }
}

欢迎关注公众号算法小生与我沟通交流