数据压缩算法该如何选择？

写在前面

本文隶属于专栏《100个问题搞定大数据理论体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和文献引用请见100个问题搞定大数据理论体系

解答

大数据领域常见的压缩格式有 gzip，snappy，lzo，lz4，bzip2，zstd。

补充

为什么要进行数据压缩？

为了优化存储(减少存储空间)和充分利用网络带宽，通常采用压缩方法。大数据需要处理海量数据，此时数据压缩非常重要。

在企业中存在的许多场景中，通常，数据源来自多种文本格式(CSV、TSV、XML、JSON等)数据。这些文件是人类可读的，但占用了大量的存储空间。

然而在大数据处理中数据应尽可能为机器可读。使用序列化的压缩技术将这些人类可读的数据压缩成机器可读的， 可确保存储所需的空间大大减少。

以下是一些众所周知的常用压缩格式(称为编解码器，允许数据压缩/序列化和解压缩/反序列化)

Gzip(扩展名为.gz)

即 GNU Zip(GZip)，一种众所周知的压缩格式，并且在互联网世界中被广泛使用。可以使用此格式压缩请求和响应，以有效利用网站/Web应用程序的带宽。

优点

压缩比较高，hadoop本身支持，在应用中处理gzip格式的文件就和直接处理文本一样，有hadoop native库，大部分linux系统都自带gzip命令，使用方便。

缺点

不支持split

hadoop native 是什么？
鉴于性能问题以及某些Java类库的缺失，对于某些组件，Hadoop提供了自己的本地实现。 这些组件保存在Hadoop的一个独立的动态链接的库里。这个库在Unix平台上叫libhadoop.so.

Snappy(扩展名为.snappy)

由 Google开发的编解码器(以前称作Zippy)，被认为是中等压缩比中性能最好的。对于该格式而言，性能比压缩比更为重要。Snappy属于最为广泛使用的格式之一，显然是由于其出色的性能。

优点

压缩速度快；支持hadoop native库

缺点

不支持split；压缩比低；hadoop本身不支持，需要安装；linux系统下没有对应的命令

LZO(扩展名为.lzo)

由GNU公共许可证(GPL)授权，与 Snappy非常类似，它具有中等压缩比，而压缩与解压缩性能很高。LZO是一种专注于解压缩速度的无损数据压缩算法。

优点

压缩/解压速度也比较快，合理的压缩率；支持split，是hadoop中最流行的压缩格式；支持hadoop native库；需要在linux系统下自行安装lzop命令，使用方便

缺点

hadoop本身不支持，需要安装；lzo虽然支持split，但需要对lzo文件建索引，否则hadoop也是会把lzo文件看成一个普通文件（为了支持split需要建索引，需要指定InputFormat为lzo格式)。

LZ4(扩展名.lz4)

优点

性能好压缩比高，首次初始化速度较好，压缩速度和稳定性也都不错

缺点

1. lz4的解压比较麻烦，需要指定原byte数组大小，所以开发起来工作量要大些
2. 不支持split

Bzip2(扩展名.bz2)

或多或少与GZip类似，压缩比高于GZip。但如预期一样， Bzip2的数据解压缩速度比GZip慢。其中一个重要的方面是，它支持数据分割，这在使用HDFS作为存储时非常重要。如果数据只是被存储而无须查询，那么这种压缩将是一个不错的选择。

优点：

支持split；具有很高的压缩率，比gzip压缩率都高；hadoop本身支持，但不支持native；在linux系统下自带bzip2命令，使用方便

缺点：

压缩/解压速度慢；不支持native

zstd(扩展名.zstd)

zstd是Facebook在2016年开源的新无损压缩算法，优点是压缩率和压缩/解压缩性能都很突出。zstd还有一个特别的功能，支持以训练方式生成字典文件，相比传统压缩方式能大大的提高小数据包的压缩率。

1. 对大数据量的文本压缩场景，zstd是综合考虑压缩率和压缩性能最优的选择，其次是lz4。
2. 对小数据量的压缩场景，如果能使用zstd的字典方式，压缩效果更为突出。
3. 支持split， 但是还不完善，详情可见——Is zstd splitabble in hadoop/spark/etc?

选择

前面的每种压缩算法都有其优点和缺点。如果压缩比比较高(压缩后节约较大空间)则解压缩速度通常很慢，反之，则解压缩速度快。

没有两全其美的办法，只能选择一种方法来使用。这取决于进入系统的数据，必须根据具体情况来选择。

当需要选择压缩算法时，以下选项可供参考

1. 将文件分成若干块，然后使用适合的算法进行压缩。由于选择了 Hadoop(HDFS)作为数据持久化机制，因此需要确保这些数据块在压缩后能与预期的memory slot适配(在HDFS中配置)。
2. 选择允许先分割、再压缩的压缩格式。
3. 选择允许分割和压缩的容器文件格式，如Avro和Parquet。这些格式可以与其他压缩格式混合使用，以达到用户用例所要求的速度和压缩比。

Avro 和 Parquet

详情请见我的这两篇博客——

1. Apache Avro是什么？
2. Parquet是什么