MapReduce数据压缩
Hadoop三个阶段
1)分布式文件系统HDFS
用于存储宏大数据量文件。
2)分布式编程框架MapReduce
用于分布式计算海量数据。
3)yarn框架
分布式调度平台,用于为MapReducer合理分配资源。
Hadoop数据压缩
MR操作过程中进行大量数据传输。
压缩技术能够有效的减少底层存储(HDFS)读写字节数。 压缩提高了网络带宽和磁盘空间的效率。
数据压缩能够邮箱的节省资源!
压缩是mr程序的优化策略!
通过压缩编码对mapper或者reducer数据传输进行数据的压缩,以减少磁盘IO。
压缩的基本原则
1)运算密集型任务少用压缩
2)IO密集型的任务,多用压缩
MR支持的压缩编码
MR支持的压缩编码
压缩格式 | hadoop是否自带? |文件拓展名 | 是否可以切分
压缩格式 | hadoop是否自带 | 文件拓展名 | 是否可以切分 |
---|---|---|---|
DEFAULT | 是 | .deflate | 否 |
Gzip | 是 | .gz | 否 |
bzip2 | 是 | .bz2 | 是 |
LZO | 否 | .lzo | 是 |
Snappy | 否 | .snappy | 否 |
编码/解码器
DEFAULT|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.LzoCodeC
Snappy|org.apache.hadoop.io.compress.SnappyCodeC
压缩性能
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 |
使用方式
map端输出压缩
//开启map端的输出压缩
conf.setBoolean("mapreduce.map.output.compress", true);
//设置压缩方式
//conf.setClass("mapreduce.map.output.compress.codec", DefaultCodec.c lass, CompressionCodec.class);
conf.setClass("mapreduce.map.output.compress.codec", BZip2Codec.class, CompressionCodec.class);
reduce端输出压缩
//开启reduce端的输出压缩
FileOutputFormat.setCompressOutput(job, true);
//设置压缩方式
//FileOutputFormat.setOutputCompressorClass(job, DefaultCodec.class);
//FileOutputFormat.setOutputCompressorClass(job, BZip2Codec.class);
FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);