系列文章回顾
【HIVE】(01)学会使用JOIN语句
【HIVE】(02)学会理解explain
【HIVE】(03)学会hive中的压缩和解压进行资源优化
压缩和解压的优缺点如下:
1)缺点是 会增加额外的CPU;优点是 可以减少载入内存的数据量 而提高I/O吞吐量的能力。
2)使用场景:当hadoop的job是I/O密集型时,应使用压缩来提高性能。
本文将介绍如何合适地在Hadoop中配置压缩格式才能提升性能。
一.压缩格式介绍
Hadoop 常见有7种压缩格式(Gzip、Snappy、zstd、LZO、Bzip2、LZ4、Deflate),它们之间的区别体现在压缩比、压缩速度、解压速度上。
压缩格式 | 应用场景 | 文件扩展名 | 压缩比 | 压缩速度 | 解压速度 | 是否可切割 |
---|---|---|---|---|---|---|
Gzip | 适合对存储空间要求较高,但对压缩速度要求不是很高的场景 | .gz | 中等 | 较慢 | 较快 | 否 |
Snappy | 适合需要快速压缩和解压的场景,但对压缩比要求不是很高的场景 | .snappy | 低 | 快 | 快 | 否 |
zstd | 优于LZO,相对来说能达到压缩比、压缩速度、解压速度都较好的最优目的,最适用于大数据环境 | .zstd | 高 | 快 | 快 | 是 |
LZO | 压缩比、压缩速度、解压速度都好,但略低于zstd | .lzo | 高 | 较快 | 快 | 是 |
Bzip2 | 追求最高的压缩比 | .bz2 | 很高 | 慢 | 较慢 | 是 |
LZ4 | 追求最高的压缩和解压速度 | .lz4 | 低 | 极快 | 极快 | 否 |
Deflate | 性能方面比较中庸的一种压缩格式 | .deflate | 中等 | 较快 | 较快 | 否 |
思考题:为什么我们需要不同的压缩方案呢?
- 原因1: 每1个压缩方案 都在 压缩/解压 速度 和压缩比间进行权衡。
BZip2压缩比最高,但是同时需要消耗最多的CPU开销。
LZO和Snappy压缩比较小,但是压缩/解压速度要快。- 原因2: 要考虑压缩格式的文件 是否是可分割的。
Mapreduce 需要将非常大的输入文件分割成多个划分(通常1个文件块 对应 1个划分,也就是64MB的倍数),其中每个划分会被分发到1个独立的map进程中。
只有当Hadoop知道文件中记录的边界时,每个划分才可以进行这样的分割,而gzip和snappy等不支持切分的压缩格式就会将边界信息掩盖掉,从而会导致,如果有1个不可切分的文件特别大,会出现1个单独的task来读取整个文件进行处理,使整个任务结束的特别慢。
因此,在日常任务中,需要根据不同任务的执行要求,选择合适的压缩格式。
二.不同压缩格式对应的编码/解码器
为了支持多种压缩/解压算法,Hadoop引入了编码/解码器,如下所示:
压缩格式 | 对应的编码/解码器 |
---|---|
Gzip | org.apache.hadoop.io.compress.GzipCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
zstd | org.apache.hadoop.io.compress.ZStandardCodec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZ4 | org.apache.hadoop.io.compress.Lz4Codec |
Deflate | org.apache.hadoop.io.compress.DefaultCodec |
以查看当前环境中io.compression安装的编码/解码器为例,代码如下:
hive> set io.compression.codecs;
结果返回为:
+-----------------------------------------------------------------------------------------------------------------------------------------------------+--+
| set |
+-----------------------------------------------------------------------------------------------------------------------------------------------------+--+
| io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.SnappyCodec |
+-----------------------------------------------------------------------------------------------------------------------------------------------------+--+
1 row selected (0.005 seconds)
如上,可知,当前环境已经安装的编码/解码器有
org.apache.hadoop.io.compress.GzipCodec
org.apache.hadoop.io.compress.DefaultCodec
org.apache.hadoop.io.compress.SnappyCodec
三.进行压缩相关参数设置
有2个阶段是需要考虑进行压缩的,如下:
- 第1个阶段:中间传输数据时
- 第2个阶段:最终输出数据时
3.1 开启中间压缩
1) 作用
减少job中map 和 reduce task 间的数据传输量。
2)选择要点
选择1个低CPU开销的编解码器 更重要。 (重要程度:低CPU开销>高压缩率)。
3)参数设置
- 第一步:开启中间压缩。
set hive.exec.compress.intermediate=true;
- 第二步:选择合适的用于中间压缩的 编码/解码器。
在hadoop中默认的编码/解码器是DefaultCodec。而比较好的中间文件压缩 编码/解码器是SnappyCodec,它很好地考虑了低CPU开销 和 好的压缩执行效率。
set mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
3.2 开启输出结果压缩
1) 作用
降低最后输出结果的存储空间,同时要考虑后续在另1个任务中使用该输出结果时的读取效率问题。
2)选择要点
在压缩比、压缩速度、解压速度等方面综合考量。
3)参数设置
- 第一步:开启输出结果压缩
set hive.exec.compress.output=true;
- 第二步:选择合适的用于输出结果压缩的 编码/解码器
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
思考题:在执行Hive任务时都需要使用压缩格式吗?
- 不是。因为使用压缩格式也是需要代价的,压缩和解压在执行时会增加额外的CPU开销,所以确定是否进行压缩要考虑Hadoop的Job类型(I/O密集型或CPU密集型)。当Job类型是CPU密集型时,使用压缩可能会降低执行性能。
但是,在实际应用时,一般都会选择进行压缩,因为压缩增加的CPU开销并不会很大,却能节约非常可观的磁盘空间。
四.总结
以上就是今天要讲的内容,本文介绍了Haoop中的压缩格式及使用,更多的使用可查看官方文档。