【Hadoop】- Gzip , BZip2 , Lzo Snappy 四种方式的优缺点 和使用场景

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接： https://blog.csdn.net/weixin_40040107/article/details/87885210

• Gzip

• 优点

1. 压缩解压速度快 , 压缩率高 , hadoop本身支持
2. 处理压缩文件时方便 , 和处理文本一样
3. 大部分linux 系统自带 Gzip 命令 , 使用方便

• 缺点

1. 不支持切片

• 使用场景

1. 文件压缩后在130M以内 (一个块大小) , 都可以使用 GZip 压缩(因为Gzip唯一的缺点是不能切片)
2. 总结 : 不需要切片的情况下 可以使用

• BZip2

• 优点

1. 压缩率高(高于Gzip)
2. 可以切片
3. hadoop自带 使用方便

• 缺点

1. 压缩解压速度超级慢

• 使用场景

1. 不要求压缩速率 ,但是对压缩率有要求的情况下 比如备份历史记录 , 备份文件
2. 或者 输出的文件较大 , 处理后的数据需要减少磁盘存储并且以后使用数据的情况较少 (解压 / 压缩的情况较少)
3. 对于单个文件 较大 ,又想压缩减少磁盘空间 , 并且兼容之前的应用程序的情况
4. 总结 : 对于压缩解压速度没有要求的情况下

• Lzo

• 优点

1. 压缩解压速度比较快 , 压缩率也可以
2. 支持切片 是hadoop 比较流行的压缩格式
3. 可以在linux 下安装 lzo命令 使用方便

• 缺点

1. 压缩率比Gzip低一些
2. hadoop 本身不支持, 需要自己安装
3. 使用Lzo 格式的文件时需要做一些特殊处理(为了支持 Split 需要建立索引 , 还需要家将 InputFormat 指定为Lzo 格式 [特殊]

• 使用场景

1. 压缩以后还大于 200M 的文件 , 且文件越大 Lzo 的优势越明显
2. (原因很简单 , 四种压缩方式 只有BZip2 , Lzo支持切片 , 然后 BZip2 你懂的 , 速度贼慢 , 只能用于特定的场景, 所以 Lzo 是比较经常用的 )
3. 总结 : 压缩后文件还是比较大 需要切片的情况下 推荐使用

• Snappy

• 优点

1. 高压缩解压速度 , 压缩率还可以

• 缺点

1. 不能切片
2. 压缩率比Gzip小
3. hadoop本身不支持 需要安装

• 使用场景

1. 当Mapeduce的Map阶段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
2. 作为一个MapReduce作业的输出和另一个MapReduce的输入
3. 总结 : 因为 压缩率不怎么样 还不能切片 , 所以在一般的作为输入文件压缩时可以用 GZip 和 Lzo 都比Snappy效率要高但是它的压缩解压速度比较快 所以比较适合用于 Map -> Reduce 作为中间数据的压缩格式

总结 :

压缩速率 : Snappy > GZIp > Lzo >BZip2

支持切片 : BZIp2 LZo

压缩率 : BZip2 > GZip > Lzo > Snappy

特殊 : Lzo Snappy hadoop 本身不支持 , 需要自行安装 并且 Lzo 需要建立索引