4.1 概述
1)压缩的好处和坏处
压缩的优点:以减少磁盘 IO、减少磁盘存储空间。
压缩的缺点:增加 CPU 开销。(压缩和解压缩的过程需要进过CPU的计算,占用CPU资源)
2)压缩原则
(1)运算密集型的 Job,少用压缩
(2)IO 密集型的 Job,多用压缩
4.2 MR 支持的压缩编码
1)压缩算法对比介绍
压缩格式 | Hadoop自带 | 算法 | 文件扩展名 | 是否可切片 | 换成压缩格式后,原来的程序是否需要修改 |
---|---|---|---|---|---|
DEFLATE | 是,直接使用 | DEFLATE | .deflate | 否 | 和文本处理一样,不需要修改 |
Gzip | 是,直接使用 | DEFLATE | .gz | 否 | 和文本处理一样,不需要修改 |
bzip2 | 是,直接使用 | bzip2 | .bz2 | 是 | 和文本处理一样,不需要修改 |
LZO | 否,需要安装 | LZO | .lzo | 是 | 需要建索引,还需要指定输入格式 |
Snappy | 是,直接使用 | Snappy | .snappy | 否 | 和文本处理一样,不需要修改 |
2)压缩性能的比较
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
---|---|---|---|---|
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
4.3 压缩方式选择
4.3.1 Gzip 压缩
优点:压缩率比较高;
缺点:不支持 Split;压缩/解压速度一般;
4.3.2 Bzip2 压缩
优点:压缩率高;支持 Split;
缺点:压缩/解压速度慢。
4.3.3 Lzo 压缩
优点:压缩/解压速度比较快;支持 Split;
缺点:压缩率一般;想支持切片需要额外创建索引。
4.3.4 Snappy 压缩
优点:压缩和解压缩速度快;
缺点:不支持 Split;压缩率一般;
4.3.5 压缩位置选择
压缩可以在 MapReduce 作用的任意阶段启用。
4.4 压缩参数配置
1)为了支持多种压缩/解压缩算法,Hadoop 引入了编码/解码器
压缩格式 | 对应的编码/解码器 |
---|---|
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
在红框中的类里面进行压缩和解压缩处理 | ![]() |
2)要在 Hadoop 中启用压缩,可以配置如下参数
参数 | 默认值 | 阶段 | 建议 |
---|---|---|---|
io.compression.codecs(在 core-site.xml 中配置)<在这个文件中增加删除压缩方式> | 无这个需要在命令行输入hadoop checknative 查看 | 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.compr ess(在 mapred-site.xml 中配置) | false(默认关闭的) | mapper 输出 | 这个参数设为 true 启用压缩 |
mapreduce.map.output.compr ess.codec(在 mapred-site.xml 中配置) | org.apache.hadoop.io.com press.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.fileoutpu tformat.compress(在mapred-site.xml 中配置) | false(默认关闭的) | reducer 输出 | 这个参数设为 true 启用压缩 |
mapreduce.output.fileoutpu tformat.compress.codec(在mapred-site.xml 中配置)<设置采用哪种压缩方式> | org.apache.hadoop.io.com press.DefaultCodec | reducer 输出 | 使用标准工具或者编解码器,如 gzip 和bzip2 |
注意:snappy是根据Hadoop3.x和centos7.5配合使用才支持这种方式
4.5 压缩实操案例
4.5.1 Map 输出端采用压缩
即使你的 MapReduce 的输入输出文件都是未压缩的文件,你仍然可以对 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,对其压缩可以提高很多性能,这些工作只要设置两个属性即可。
Hadoop 源码支持的压缩格式有:BZip2Codec、DefaultCodec
(1)方式一:map输出端开启压缩(Driver类里面):
//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);//可根据需求换成SnappyCodec.class等压缩格式
(2)方式二:reduce输出端开启压缩(Driver类里面):
//设置reduce端输出压缩开启
FileOutputFormat.setCompressOutput(job,true);
FileOutputFormat.setOutputCompressorClass(job,BZip2Codec.class); //可根据需要GzipCodec.class、DefaultCodec.class等压缩方式