hadoop lzo的使用方法

前面的文章介绍了hadoop lzo的安装和配置，本文接着介绍lzo压缩在hadoop应用程序中的使用方法，包括在mapreduce程序，streaming程序和hive中的使用。

1 给lzo文件建立索引

lzo文件需要建立索引才能支持分块(split)。

如果没有索引，lzo文件也是可以处理的，mapreduce会根据后缀名“.lzo”来对lzo文件解压，并且inputformat也不需要特别指定，但是不支持分块，整个lzo文件只用一个map来处理。

hadoop-lzo包本身提供了建立lzo索引的类，可以在本地运行程序建立索引，也可以运行mapreduce程序建立索引。

本地运行程序建立索引

1 2 3 4

$HADOOP_HOMOE /bin/hadoop  jar \ $HADOOP_HOMOE /share/hadoop/mapreduce/lib/hadoop-lzo-0 .4.20-SNAPSHOT.jar \ com.hadoop.compression.lzo.LzoIndexer \ /hdfs/path/to/file .lzo

运行mapreduce程序建立索引

1 2 3 4

$HADOOP_HOMOE /bin/hadoop  jar \ $HADOOP_HOMOE /share/hadoop/mapreduce/lib/hadoop-lzo-0 .4.20-SNAPSHOT.jar \ com.hadoop.compression.lzo.DistributedLzoIndexer \ /hdfs/path/to/file .lzo

从类名DistributedLzoIndexer可以看出是通过mapreduce分布式程序来建立索引的。

两个程序运行成功之后，都会在hdfs目录/hdfs/path/to/下生成一个索引文件file.lzo.index。

2 在mapreduce程序中使用lzo压缩

把inputformat设置成LzoTextInputFormat，

1	job.setInputFormatClass(LzoTextInputFormat. class );

注意，对于建立了索引的lzo文件，如果不把inputformat设置为LzoTextInputFormat，会把索引文件也当做是输入文件。

另外，编译的时候需要引入hadoop-lzo-0.4.20-SNAPSHOT.jar包。如果是用maven编译，在pom文件中把这个依赖加上

1 2 3 4 5

< dependency >          < groupId >com.hadoop.gplcompression</ groupId >          < artifactId >hadoop-lzo</ artifactId >          < version >0.4.20</ version > </ dependency >

3 在streaming程序中使用lzo压缩

把inputformat设置为DeprecatedLzoTextInputFormat，还要设置参数 stream.map.input.ignoreKey=true，如

1 2 3 4 5 6 7 8

$HADOOP_HOME/bin/hadoop jar \ $HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming- 2.2 . 0 .jar \ -D stream.map.input.ignoreKey= true  \ -inputformat com.hadoop.mapred.DeprecatedLzoTextInputFormat \ -input /path/to/input \ -output /path/to/output \ -mapper cat \ -reducer wc

如果不加上stream.map.input.ignoreKey=true参数，会把map的key值（key值是行在文件中的偏移量，value值是每行的文本）也会传入mapper程序中，这个key值我们是不需要的。

4 在hive中使用lzo压缩

同样在建表的时候需要指定inputformat为DeprecatedLzoTextInputFormat，outputformat为 HiveIgnoreKeyTextOutputFormat（这个是hive默认的，可以不用指定），如

1 2 3 4 5

create  table  lzo_test(      i  int ,      s string)      STORED  AS  INPUTFORMAT  'com.hadoop.mapred.DeprecatedLzoTextInputFormat'      OUTPUTFORMAT  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat' ;

参考资料：

https://github.com/twitter/hadoop-lzo

https://github.com/kevinweil/hadoop-lzo

http://www.cloudera.com/blog/2009/11/17/hadoop-at-twitter-part-1-splittable-lzo-compression/