【大数据之Hadoop】十八、MapReduce之压缩

1 概述

优点：减少磁盘IO、减少磁盘存储空间。
缺点：因为压缩解压缩都需要cpu处理，所以增加CPU开销。
原则：运算密集型的Job，少用压缩；IO密集型的Job，多用压缩。

2 压缩算法对比

压缩方式选择时重点考虑：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。

3 压缩位置选择

在集群中使用压缩需要进行配置：

4 压缩例子

4.1 Map端输出采用压缩

对Map任务的中间结果输出做压缩，因为它要写在硬盘并且通过网络传输到Reduce节点，所以对其压缩可以提高性能。
Mapper和Reducer不变，只需要修改Driver端。

package.com.study.mapreduce.compress;
importjava.io.IOException;
importorg.apache.hadoop.conf.Configuration;
importorg.apache.hadoop.fs.Path;
importorg.apache.hadoop.io.IntWritable;
importorg.apache.hadoop.io.Text;
importorg.apache.hadoop.io.compress.BZip2Codec;   
importorg.apache.hadoop.io.compress.CompressionCodec;
importorg.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.mapreduce.Job;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public classWordCountDriver {

    public static void main(String[] args)throws IOException, ClassNotFoundException, InterruptedException {

        Configuration conf = newConfiguration();

        // 开启map端输出压缩
        conf.setBoolean("mapreduce.map.output.compress",true);

        // 设置map端输出压缩方式
        conf.setClass("mapreduce.map.output.compress.codec",BZip2Codec.class,CompressionCodec.class);

        Job job = Job.getInstance(conf);

        job.setJarByClass(WordCountDriver.class);

        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);

        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileInputFormat.setInputPaths(job, newPath("D:\\wordcountinput"));
        FileOutputFormat.setOutputPath(job, newPath("D:\\wordcountoutput"));

        boolean result =job.waitForCompletion(true);

        System.exit(result ? 0 : 1);
    }
}

此时reduce最终输出的结果并没有压缩。原因：map传输给reduce进行了压缩，但到达reduce时进行了解压缩处理，最终输出的文件是由reduce控制的。

4.2 Reduce端输出采用压缩

Mapper和Reducer不变，只需要修改Driver端。

package.com.study.mapreduce.compress;
importjava.io.IOException;
importorg.apache.hadoop.conf.Configuration;
importorg.apache.hadoop.fs.Path;
importorg.apache.hadoop.io.IntWritable;
importorg.apache.hadoop.io.Text;
importorg.apache.hadoop.io.compress.BZip2Codec;
importorg.apache.hadoop.io.compress.DefaultCodec;
importorg.apache.hadoop.io.compress.GzipCodec;
importorg.apache.hadoop.io.compress.Lz4Codec;
importorg.apache.hadoop.io.compress.SnappyCodec;
importorg.apache.hadoop.mapreduce.Job;
importorg.apache.hadoop.mapreduce.lib.input.FileInputFormat;
importorg.apache.hadoop.mapreduce.lib.output.FileOutputFormat;

public classWordCountDriver {

    public static void main(String[] args)throws IOException, ClassNotFoundException, InterruptedException {
        
        Configuration conf = newConfiguration();
        
        Job job = Job.getInstance(conf);
        
        job.setJarByClass(WordCountDriver.class);
        
        job.setMapperClass(WordCountMapper.class);
        job.setReducerClass(WordCountReducer.class);
        
        job.setMapOutputKeyClass(Text.class);
        job.setMapOutputValueClass(IntWritable.class);
        
        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);
        
        FileInputFormat.setInputPaths(job, newPath("D:\\wordcountinput"));
        FileOutputFormat.setOutputPath(job, newPath("D:\\wordcountoutput"));
        
        // 设置reduce端输出压缩开启
        FileOutputFormat.setCompressOutput(job,true);

        //设置压缩的方式
       FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class); 
//     FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class); 
//     FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class); 
        
        boolean result =job.waitForCompletion(true);
        
        System.exit(result?0:1);
    }
}

Map端输出什么压缩格式不会影响Reduce端的最终输出格式，在Reduce端设置压缩，最终结果输出压缩文件。