在MapReduce中使用压缩

要想压缩MapReduce作业的输出，应在作业配置过程中将mapreduce.output.fileoutputformat.compress属性设为true，将mapreduce.output.fileoutputformat.compress.codec属性设置为打算使用的压缩codec的类名。另一种方案是在FileOutputFormat中使用更便捷的方法设置这些属性，如以下范例，对查找最高气温作业所产生输出进行压缩：

public class MaxTemperatureWithCompression {
    public static void main(String[] args) throws IOException {
        if (args.length != 2) {
            System.err.printIn("Usage:MaxTemperatureWithCompression <input path> " + "<output.path>");
            System.exit(-1);
        }

        Job job = new Job();
        job.setJarByClass(MaxTemperature.class);
        FileInputFormat.addInputPath(job, new Path(args[0]));
        FileOutputFormat.setOutputPath(job, new Path(args[1]));

        job.setOutputKeyClass(Text.class);
        job.setOutputValueClass(IntWritable.class);

        FileOutputFormat.setCompressOutput(job, true);
        FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
        
        job.setMapperClass(MaxTemperatureMapper.class);
        job.setCombinerClass(MaxTemperatureReducer.class);
        job.setReducerClass(MaxTemperatureReducer.class);
        System.exit(job.waitForCompletion(true) ?0:1);
    }
}

我们按照如下指令对压缩后的输入运行程序（输出数据不必使用相同的压缩格式进行压缩，尽管本例中不是这样）：

% hadoop MaxTemperatureWithCompression input/ncdc/sample.txt.gz output

最终输出的每个部分都是经过压缩的。在这里，只有一部分结果：

% gunzip -c output/part-r-00000.gz

1949 111
1950 22

如果为输出生成顺序文件（sequence file），可以设置mapreduce.output.fileoutputformat.compress.type属性来控制限制使用压缩格式。默认值是RECORD，即针对每条记录进行压缩。如果将其改为BLOCK，将针对一组记录进行压缩，这是推荐的压缩策略，因为它的压缩效率更高。

SequenceFileOutputFormat类另外还有一个静态方法putCompressionType()，可以用来便捷地设置该属性。

下表归纳了用于设置MapReduce作业输出的压缩格式的配置属性。如果你的MapReduce驱动使用Tool接口，则可以通过命令行将这些属性传递给程序，这比通过程序代码来修改压缩属性更加便捷。

属性名称	类型	默认值	描述
mapreduce.output.fileoutputformat.compress	boolean	false	是否压缩输出
mapreduce.output.fileoutputformat.compress.codec	类名称	org.apache.hadoop.io.compress.DefaultCodec	map输出所用的压缩codec
mapreduce.output.fileoutputformat.compress.type	String	RECORD	顺序文件输出可以使用的压缩类型：NONE、RECORD或者BLOCK

对map任务输出进行压缩

尽管MapReduce应用读/写的是未经压缩的数据，但如果对map阶段的中间输入进行压缩，也可以获得不少好处。由于map任务的输出需要写到磁盘并通过网络传输到reducer节点，所以通过使用LZO、LZ4或者Snappy这样的快速压缩方式，是可以获得性能提升的，因为需要传输的数据减少了。启用map任务输出压缩和设置压缩格式的配置属性如下表所示：

属性名称	类型	默认值	描述
mapreduce.map.output.compress	boolean	false	是否对map任务输出进行压缩
mapreduce.map.output.compress.codec	Class	org.apache.hadoop.io.compress.DefaultCodec	map输出所用的压缩codec

下面是在作业中启用map任务输出gzip压缩格式的代码（使用新API）：

Configuration conf = new Configuration();
conf.setBoolean(Job.MAP_OUTPUT_COMPRESS, true);
conf.setClass(Job.MAP_OUTPUT_COMPRESS_CODEC, GzipCodec.class, CompressionCodec.class);
Job job = new Job(conf);

在旧的API中，JobConf对象中可以通过更便捷的方法实现该功能：

conf.setCompressMapOutput(true);
conf.setMapOutputCompressorClass(GzipCodec.class);

完毕。