Hadoop压缩方式介绍

Hadoop压缩方式

一、作用

通过对数据的压缩，可以减少磁盘IO，节省磁盘空间；但是压缩会增加CPU负荷开销，所以在运算密集的Job中少用压缩，在IO流频繁的操作Job中，多用压缩。

二、主要压缩方式

1）DEFLATE

hadoop自带压缩方式，压缩文件后缀名为.deflate，不支持切片；

2）Gzip

hadoop自带压缩方式，压缩文件后缀名为.gzip，不支持切片；

压缩率比较高，压缩速度一般；

3）bzip2

hadoop自带压缩方式，压缩文件后缀名为.bzip2，支持切片；

压缩率高，压缩速度慢，一般用于长时间不使用，但不能删除的数据；

4）Snappy

hadoop自带压缩方式，压缩文件后缀名为.snappy，不支持切片；

压缩率一般，压缩速度快；

5）LZO

需要安装，压缩文件后缀名为.lzo，支持切片，但支持切片需要建额外索引；

在配置压缩方式后需要修改原程序，需要建索引，指定输入格式；

压缩率一般，压缩速率比较快；

三、压缩的使用

1）Map输入前

Hadoop自动检验文件扩展名，对文件进行压缩和解压；

如果数据量比较小，则使用压缩速度比较快的LZO/Snappy；

如果数据量比较大，则考虑支持切片的bzip2/LZO；

2）Map输出数据

因为MapTask和ReduceTask之间的网络传输IO，选择压缩解压速度快的Snappy/LZO；

3）Reducer输出

如果数据永久保存，则使用压缩率较高的Bzip2和Gzip；

如果作为下一个MapReduce输入，则考虑是否支持切片；

四、总结

压缩方式	压缩率	压缩速度	是否支持切片	是否自带	使用选择（例）
Gzip	比较高	一般	否	是	reduce，一般不使用
bzip2	高	慢	是	是	map输入数据量大时使用
Snappy	一般	快	否	是	map输入（数据量小）、输出数据阶段
LZO	一般	比较快	是	否	map输入（数据量小）、输出数据阶段