Hadoop的数据压缩

来源：cnblogs　　作者：给你一个公主抱　　时间：2019/4/8 10:45:41　　对本文有异议

一、Hadoop的数据压缩

　　1.概述

　　　　在进行MR程序的过程中，在Mapper和Reducer端会发生大量的数据传输和磁盘IO，如果在这个过程中对数据进行压缩处理，可以有效的减少底层存储(HDFS)读写的字节数，，并且通过减少Map和Reduce阶段数据的输入输出来提升MR程序的速度，提高了网络带宽和磁盘空间的效率；

　　　　数据压缩可以有效的节省资源，它是MR程序的优化策略之一；　　

　　　　数据压缩会增加cpu的计算负担，但是能很大程度较少磁盘的IO。由于数据压缩占用cpu资源很小，总体还是利大于弊的。

　　2.数据压缩使用原则：

　　　　运算密集型的任务尽量少用压缩、IO密集型的任务多用压缩。

　　3.MapReduce支持的压缩编码

hadoop中的压缩格式	是否自带	文件的拓展名	是否可以切分
DEFAULT	是	.default	否
Gzip	是	.gz	否
bzip2	是	.bz2	是
LZO	否	.lzo	是
Snappy	否	.snappy	否

　　4.编码解码器

DEFAULT	org.apache.hadoop.io.compress.DefaultCodeC
Gzip	org.apahce.hadoop.io.compress.GzioCodeC
bzop2	org.apache.hadoop.io.compress.bzio2CodeC
LZO	com.apache.hadoop.compression.lzoCodeC
Snappy	org.apache.hadoop.io.compress.SnappyCodeC

　　5.压缩性能

压缩格式	原始文件	压缩后文件	压缩速度	解压速度
Gzip	8.3G	1.8G	17.5MB/s	58MB/s
bzip2	8.3G	1.1G	2.4MB/s	9.5MB/s
LZO	8.3G	2.9G	49MB/s	74.6MB/s

二、Hadoop压缩的使用

　　1.应用在WordCount程序中

　　　1）在map端对数据进行压缩

　　　　在Driver类中的获取job对象后加入配置信息：

//开启map端的输入压缩
conf.setBoolean("mapreduce.map.output.compress",true);
 
//设置压缩方法
//默认
conf.setClass("mapreduce.map.output.compress.codec",DefaultCodeC.class,CompressionCodec.class);
//Bzip2
conf.setClass("mapreduce.mapt.output.compress.codec",Bzip2Codec.class,CompressionCode.class);
//LZO
conf.setClass("mapreduce.map.output.compress.codec".LZOCodec.class,CompressionCodec.class);

　　　　注意：在map端开启压缩并不能从结果文件中看到结果的改变，只要程序运行成功就代表设置没问题！

　　　2）在reduce端对数据进行压缩

　　　　在设置reduce输出数据类型之后加入配置信息：

//开启reduce端的输出压缩
FileOutputFormat.setCompressOutput(job,true);
//设置压缩方法
//默认
FileOutputFormat.setOutputCompressorClass(job,DefaultCodec.class);
//Bzip2
FileOutputFormat.setOutputCompressorClass(job,Bzip2Codec.class);
//Gzip
FileOutputFormat.setOutputCompressorClass(job,GzipCodec.class);

　　　　三种选择一种即可，可以看到对应的结果文件看到被压缩的结果文件。

　　2.自定义压缩方法

/**
 * @author: PrincessHug
 * @date: 2019/4/8, 9:49
 * @Blog: https://www.cnblogs.com/HelloBigTable/
 */
public class TestCompress {
    public static void main(String[] args) throws IOException, ClassNotFoundException {
        Compress("G:\\weblog.log","org.apache.hadoop.io.compress.BZip2Codec");
    }
 
    //自定义压缩方法
    private static void Compress(String fileName,String method) throws IOException, ClassNotFoundException {
        //获取输入流
        FileInputStream fis = new FileInputStream(new File(fileName));
 
        //通过反射获取压缩方法并初始化
        Class cName = Class.forName(method);
        CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(cName, new Configuration());
 
        //定义输出流
        FileOutputStream fos = new FileOutputStream(new File(fileName + codec.getDefaultExtension()));
 
        //创建压缩输出流
        CompressionOutputStream cos = codec.createOutputStream(fos);
 
        //流的拷贝
        IOUtils.copyBytes(fis,cos,2*1024*1024,false);
 
        //关闭资源
        fis.close();
        cos.close();
        fos.close();
    }
}