Hadoop的压缩算法实现和压缩算法选择

问题导读
1.为什么要对hadoop文件压缩？
2.本文中压缩和解压缩是哪个接口？
3.怎么选择压缩算法？







常见数据压缩算法压缩

文件压缩主要有两个好处，一是减少了存储文件所占空间，另一个就是为数据传输提速。在hadoop大数据的背景下，这两点尤为重要，那么我现在就先来了解下hadoop中的文件压缩。hadoop里支持很多种压缩格式，我们看一个表格：

LZO和LZ4算法已经不在Hadoop1.x中使用了。

1、DEFLATE是同时使用了LZ77与哈夫曼编码的一个无损数据压缩算法，源代码可以在zlib库中找到。gzip是以DEFLATE算法为基础扩展出来的一种算法。
2、压缩算法都是空间和时间的转换，更快压缩时间还是更小的压缩比。可以通过参数来指定，-1意味着速度，-9意味着空间。
拿gzip做个例子，下面就意味着更快速的压缩：gzip -1 file
3、gzip在时间和空间上的比较适中，bzip2压缩比gzip更有效，但是速度更慢。bzip2的解压速度比它的压缩速度要快。但是和其他压缩格式相比又是最慢的，但是压缩效果明显是最好的。snappy和LZ4的解压速度比LZO好很多。
4、splittable表示压缩格式是否可以被分割，也就是说是否支持随机读。压缩数据是否能被mapreduce使用，压缩数据是否能被分割就很关键了。
目前在Hadoop中用得比较多的有lzo，gzip，snappy，bzip2这4种压缩格式。下面是4种压缩格式的特征的比较。

Codec实现类

org.apache.hadoop.io.compress
CompressionCodec是压缩和解压缩的接口。以下是该接口的实现类。

CompressionCodec方法
CompressionCodec有两个方法用来压缩和解压
压缩：通过createOutputStream(OutputStream out)方法获得CompressionOutputStream对象
解压：通过createlnputStream(InputStream in)方法获得Compressionlnputstream对象

编写下面的例子进行比较
dd：用指定大小的块拷贝一个文件，并在拷贝的同时进行指定的转换。

[mw_shl_code=bash,true]拷贝生成一个512M的文件
[root@master liguodong]#  dd if=/dev/zero of=data bs=1024k count=512
记录了512+0 的读入
记录了512+0 的写出
536870912字节(537 MB)已复制，0.557151 秒，964 MB/秒
[root@master liguodong]# ll data
-rw-r--r-- 1 root root 536870912 6月   5 19:11 data
[root@master liguodong]# pwd
/liguodong
[root@master liguodong]# ls
codec.jar  data  dir  jni[/mw_shl_code]

[mw_shl_code=bash,true]package Compress;

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.util.ReflectionUtils;

public class Test {
    public static void main(String[] args) throws IOException, ClassNotFoundException {
        //1、配置  
        Configuration configuration = new Configuration();

        Job job = Job.getInstance(configuration, "Codec");  
        //2、打包运行必须执行的方法
        job.setJarByClass(Test.class);

        //String codecClassName = "org.apache.hadoop.io.compress.BZip2Codec";
        String codecClassName = "org.apache.hadoop.io.compress.GzipCodec";
        Class<?> clsClass = Class.forName(codecClassName);


        CompressionCodec codec = (CompressionCodec)
                ReflectionUtils.newInstance(clsClass, configuration);
        String inputFile = "/liguodong/data";

        String outFile = inputFile + codec.getDefaultExtension();//获得默认扩展名

        FileOutputStream fileOut = new FileOutputStream(outFile);
        CompressionOutputStream out = codec.createOutputStream(fileOut);
        FileInputStream in = new FileInputStream(inputFile);        
        IOUtils.copyBytes(in, out, 4096 ,false);
        in.close();
        out.close();   
    }
}[/mw_shl_code]

打成jar包：codec.jar

运行

[mw_shl_code=bash,true][root@master liguodong]# yarn jar codec.jar
15/06/05 19:48:04 INFO bzip2.Bzip2Factory: Successfully loaded & initialized native-bzip2 library system-native
[root@master liguodong]# ls
codec.jar  data  data.bz2  data.gz  dir  gzipcodec.jar  jni
比较
[root@master liguodong]# ll
总用量 524824
-rw-r--r-- 1 root root 536870912 6月   5 19:11 data
-rw-r--r-- 1 root root       402 6月   5 19:48 data.bz2
-rw-r--r-- 1 root root    521844 6月   5 20:17 data.gz[/mw_shl_code]

怎么选择压缩算法？

1、用一些包含了压缩并且支持splittable的文件格式，比如SequenceFile，RCFile或者Avro文件。

2、使用提供splittable的压缩格式，比如，bzip2和索引后可以支持splittable的lzo。

3、提前把文件分成几个块，每个块单独压缩，这样就无需考虑splittable的问题了。

4、不要压缩文件，以不支持splittable的压缩格式存储一个很大的数据文件是不合适的，非本地处理效率会非常之低。