H(notebook&hadoop&code).数据压缩

一、压缩介绍

1.压缩的好处和坏处

(1)压缩的优点：以减少磁盘IO、减少磁盘存储空间。

(2)压缩的缺点：增加CPU开销。

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。

3.MR支持的压缩编码

表-1压缩方式表

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

4.压缩性能比较

表-2性能

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
Snappy			250MB/s	500MB/s

二、压缩算法选择

        压缩方式选择时重点考虑：压缩/解压缩速度、压缩率（压缩后存储大小）、压缩后是否可以支持切片。

1.优缺点介绍

表-3优缺点

压缩算法	优点	缺点
gzip	压缩率比较高	不支持Split；压缩/解压速度一般
bzip2	压缩率高；支持Split	压缩/解压速度慢
LZO	压缩/解压速度比较快；支持Split	压缩率一般；想支持切片，需要额外创建索引
Snappy	压缩和解压缩速度快	不支持Split；压缩率一般

2.使用阶段

        压缩可以在MapReduce作用的任意阶段启用。

输入端采用压缩	Mapper输出端采用压缩	Reducer输出采用压缩
a.数据l量小于块大小，重点考虑压缩和解压缩速度比较快的，MOLZO/Snappy b.数据量非常大，重点考虑支持切片的Bzip2和LzO。	为了减少MapTask和ReduceTask之间的网络 IO,重点考虑压縮和解压缩快的。	a.如果数据永久保存，考虑压缩速度比较高的 Bzip2和Gzipo。 b.如果作为下一个MapReduce输入，需要考虑数据量和是否支持切片。

3.压缩参数配置

        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

三、实现过程（Reduce端进行压缩）

1.对于map

        保持不变

2.对于reduce

        保持不变

3.对于driver

        新增如下代码：

		// 设置reduce端输出压缩开启
		FileOutputFormat.setCompressOutput(job, true);

		// 设置压缩的方式
	    FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);

4.实现效果

参考尚硅谷大数据教程！