Hadoop中的Sequence File

什么是SequenceFile

1. sequenceFile文件是Hadoop用来存储二进制形式的[Key,Value]对而设计的一种平面文件(Flat File)。
2. 可以把SequenceFile当做是一个容器，把所有的文件打包到SequenceFile类中可以高效的对小文件进行存储和处理。
3. SequenceFile文件并不按照其存储的Key进行排序存储，SequenceFile的内部类Writer提供了append功能。
4. SequenceFile中的Key和Value可以是任意类型Writable或者是自定义Writable。
5. 在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，Header主要包含了Key classname，value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。每条Record以键值对的方式进行存储，用来表示它的字符数组可以一次解析成：记录的长度、Key的长度、Key值和value值，并且Value值的结构取决于该记录是否被压缩。

SequenceFile支持数据压缩

SequenceFIle的内部格式取决于是否启用压缩，如果是压缩，则又可以分为记录压缩和块压缩。
1.无压缩类型：

如果没有启用压缩(默认设置)那么每个记录就由它的记录长度(字节数)、键的长度，键和值组成。长度字段为4字节。

2.记录压缩类型

记录压缩格式与无压缩格式基本相同，不同的是值字节是用定义在头部的编码器来压缩。注意：键是不压缩的。下图为记录压缩：

C.块压缩类型：块压缩一次压缩多个记录，因此它比记录压缩更紧凑，而且一般优先选择。当记录的字节数达到最小大小，才会添加到块。该最小值由io.seqfile.compress.blocksize中的属性定义。默认值是1000000字节。格式为记录数、键长度、键、值长度、值。下图为块压缩：

优缺点

1.优点：

• 支持基于记录(Record)或块(Block)的数据压缩。
• 支持splitable，能够作为MapReduce的输入分片。
• 修改简单：主要负责修改相应的业务逻辑，而不用考虑具体的存储格式。

2.缺点

• 需要一个合并文件的过程，且合并后的文件不方便查看。

---

參考：

• https://blog.csdn.net/bitcarmanlee/article/details/78111289