首先为什么要使用压缩
压缩技术能够有效的减少底层存储系统(HDFS)读写字节数,通过对mapper,reducer运行过程的数据进行压缩,以减少磁盘IO,提高MR程序的运行速度。
压缩的基本原则
1.运算密集型的任务,少使用压缩
2.IO密集型的任务,多使用压缩
MR支持的压缩格式
压缩格式 | 是否需要安装 | 算法 | 文件扩展名 | 是否可切分 |
---|---|---|---|---|
DEFLATE | 否 | deflate | .deflate | 否 |
Gzip | 否 | deflate | .gz | 否 |
bzip2 | 否 | bzip2 | .bz2 | 是 |
LZO | 是 | LZO | .lzo | 是 |
Snappy | 是 | Snappy | .snappy | 否 |
压缩性能的比较
压缩格式 | 压缩大小 | 压缩速度 |
---|---|---|
Gzip | 中 | 中 |
bzip2 | 小 | 慢 |
LZO | 大 | 快 |
Snappy | 大 | 快 |
压缩方式的选择
Gzip压缩
优点:压缩率比较的高,而且压缩/解压速度也比较的快;hadoop本身支持,大部分linux系统都自带,使用方便;
缺点:不支持split
Bzip2压缩
优点:支持split,具有很高的压缩率,hadoop本身自带;
缺点:压缩/解压缩慢
Lzo压缩
优点:压缩/解压缩速度比较快,合理的压缩率,支持split;
缺点:压缩率相对Gzip而言要低一些,hadoop本身不支持,需要自己手动安装;
Snappy压缩
优点:高速压缩速度与合理的压缩率
缺点:不支持split,hadoop不支持,需要手动安装
压缩位置的选择
压缩可以在MapReduce作用的任意阶段启用
压缩参数配置
参数 | 默认值 | 阶段 | 建议 |
---|---|---|---|
io.compression.codecs (在core-site.xml中配置) | org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec | 输入压缩 | Hadoop使用文件扩展名判断是否支持某种编解码器 |
mapreduce.map.output.compress(在mapred-site.xml中配置) | false | mapper输出 | 这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec(在mapred-site.xml中配置) | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 企业多使用LZO或Snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress(在mapred-site.xml中配置) | false | reduce输出 | 这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.compress.codec(在mapred-site.xml中配置) | org.apache.hadoop.io.compress. DefaultCodec | reducer输出 | 使用标准工具或者编解码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type(在mapred-site.xml中配置) | RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |