压缩技术能够有效减少底层存储系统(HDFS)读写的字节数,提高了网络带宽和磁盘空间的效率,减少磁盘I/O,提高MapReduce运行速度。在运行MapReduce程序时,I/O操作、网络数据传输、Shuffle、Merge要花大量的时间,尤其是数据规模很大和工作负载密集的情况下,因此使用数据压缩显得非常重要。
采用压缩技术减少了磁盘I/O,但同时增加了CPU运算负担。所以,压缩特性运用得当能提高性能,但运用不当也可能降低性能。
压缩基本原则:运算密集型的Job少用压缩,I/O密集型的Job多用压缩。
MapReduce支持的压缩编码
压缩格式 | hadoop是否自带 | 算法 | 文件扩展名 | 是否可切分 | 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 | 否,需要安装 | Snappy | .snappy | 否 | 和文本处理一样,不需要修改 |
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 |
Gzip压缩
优点:压缩率比较高,而且压缩/解压缩速度也比较快。Hadoop本身支持,在应用中处理Gzip格式的文件就和直接处理文本一样。大多数Linux系统都自带Gzip命令,使用方便。
缺点:不支持切片
应用场景:当每个文件压缩之后在130M以内(1个块大小内),都可以考虑用Gzip压缩格式。例如,将一天或者一小时的日志压缩成一个Gzip文件。
bzip2压缩
优点:支持切片,具有很高的压缩率,比Gzip压缩率高。Hadoop本身自带,使用方便。
缺点:压缩/解压缩速度慢
应用场景:适合对速度要求不高,但需要较高的压缩率的时候。或者输出之后的数据比较大,处理之后的数据需要压缩存档减少磁盘空间,并且以后数据用的比较少的时候。或者对单个很大的文本文件想压缩减少存储空间,同时又需要支持切片,而且兼容之前的应用程序的时候。
Lzo压缩
优点:压缩/解压缩速度比较快,合理的压缩率。支持切片。是Hadoop中最流行的压缩格式。可以在linux系统下安装lzop命令,使用方便。
缺点:压缩率比Gzip低。Hadoop本身不支持,需要安装。在应用中对Lzo格式的文件需要做一些特殊处理(为了支持切片需要建索引,还需要指定InputFormat为Lzo格式)
应用场景:一个很大的文本文件,压缩之后还大于200M以上的可以考虑,而且单个文件越大,Lzo优点越明显。
Snappy压缩
优点:高速压缩速度和合理的压缩率。
缺点:不支持切片,压缩率比Gzip低。Hadoop本身不支持,需要安装。
应用场景:当MapReduce作业的Map输出的数据比较大的时候,作为Map到Reduce的中间数据的压缩格式。或者作为一个MapReduce作业的输出和另一个MapReduce作业的输入。
压缩参数配置
参数 | 默认值 | 阶段 | 建议 |
---|---|---|---|
io.compression.codecs (在core-site.xml中配置) |
org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec | 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.compress (在mapred-site.xml中配置) |
false | mapper输出 | 这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec (在mapred-site.xml中配置) |
org.apache.hadoop.io.compress.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.fileoutputformat.compress (在mapred-site.xml中配置) |
false | reducer输出 | 这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.compress.codec (在mapred-site.xml中配置) |
org.apache.hadoop.io.compress. DefaultCodec | reducer输出 | 使用标准工具或者编解码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type (在mapred-site.xml中配置) |
RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |
压缩 / 解压缩
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionInputStream;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;
public class TestCompress {
public static void main(String[] args) throws Exception {
compress("e:/hello.txt","org.apache.hadoop.io.compress.BZip2Codec");
decompress("e:/hello.txt.bz2");
}
private static void compress(String filename, String method) throws Exception {
// 1.获取输入流
FileInputStream fis = new FileInputStream(new File(filename));
Class codecClass = Class.forName(method);
CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, new Configuration());
// 2.获取输出流
FileOutputStream fos = new FileOutputStream(new File(filename + codec.getDefaultExtension()));
CompressionOutputStream cos = codec.createOutputStream(fos);
// 3.流的对拷
IOUtils.copyBytes(fis, cos, 1024*1024*5, false);
// (4)关闭资源
cos.close();
fos.close();
fis.close();
}
private static void decompress(String filename) throws FileNotFoundException, IOException {
// 1.校验是否能解压缩
CompressionCodecFactory factory = new CompressionCodecFactory(new Configuration());
CompressionCodec codec = factory.getCodec(new Path(filename));
if (codec == null) {
System.out.println("cannot find codec for file " + filename);
return;
}
// 2.获取输入流
CompressionInputStream cis = codec.createInputStream(new FileInputStream(new File(filename)));
// 3.获取输出流
FileOutputStream fos = new FileOutputStream(new File(filename + ".decoded"));
// 4.流的对拷
IOUtils.copyBytes(cis, fos, 1024*1024*5, false);
// 5.关闭资源
cis.close();
fos.close();
}
}
即使MapReduce的输入输出文件都是未压缩的文件,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,这些工作只要在驱动类设置两个属性即可。
Map输出端采用压缩:
// 开启map端输出压缩
configuration.setBoolean("mapreduce.map.output.compress", true);
// 设置map端输出压缩方式
configuration.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);
Reduce输出端采用压缩:
// 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);