Hadoop在MapReduce中使用壓縮詳解
Hadoop對于壓縮文件的支持
如果我們壓縮的文件有相應壓縮格式的擴展名（比如lzo，gz，bzip2等），hadoop就會根據(jù)擴展名去選擇解碼器解壓。
hadoop對每個壓縮格式的支持,詳細見下表：
如果壓縮的文件沒有擴展名，則需 要在執(zhí)行mapreduce任務的時候指定輸入格式.
- hadoop jar /usr/home/hadoop/hadoop-0.20.2/contrib/streaming/hadoop-streaming-0.20.2-CD H3B4.jar
- -file /usr/home/hadoop/hello/mapper.py -mapper /usr/home/hadoop/hello/mapper.py
- -file /usr/home/hadoop/hello/reducer.py -reducer /usr/home/hadoop/hello/reducer.py
- -input lzotest -output result4
- -jobconf mapred.reduce.tasks=1
- *-inputformat org.apache.hadoop.mapred.LzoTextInputFormat*
hadoop下各種壓縮算法的壓縮比，壓縮時間，解壓時間見下表:
| 壓縮算法 | 原始文件大小 | 壓縮后的文件大小 | 壓縮速度 | 解壓縮速度 |
| gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
| bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
| LZO-bset | 8.3GB | 2GB | 4MB/s | 60.6MB/s |
| LZO | 8.3GB | 2.9GB | 49.3MB/S | 74.6MB/s |
hadoop各種壓縮算法的優(yōu)缺點簡述
在考慮如何壓縮那些將由MapReduce處理的數(shù)據(jù)時，考慮壓縮格式是否支持分割是很重要的。考慮存儲在HDFS中的未壓縮的文件，其大小為1GB，HDFS的塊大小為64MB，所以該文件將被存儲為16塊，將此文件用作輸入的MapReduce作業(yè)會創(chuàng)建1個輸人分片（split ,也稱為“分塊”。對于block，我們統(tǒng)一稱為“塊”。）每個分片都被作為一個獨立map任務的輸入單獨進行處理。
現(xiàn)在假設。該文件是一個gzip格式的壓縮文件，壓縮后的大小為1GB。和前面一樣，HDFS將此文件存儲為16塊。然而，針對每一塊創(chuàng)建一個分塊是沒有用的，因為不可能從gzip數(shù)據(jù)流中的任意點開始讀取，map任務也不可能獨立于其他分塊只讀取一個分塊中的數(shù)據(jù)。gzip格式使用DEFLATE來存儲壓縮過的數(shù)據(jù)，DEFLATE將數(shù)據(jù)作為一系列壓縮過的塊進行存儲。問題是，每塊的開始沒有指定用戶在數(shù)據(jù)流中任意點定位到下一個塊的起始位置，而是其自身與數(shù)據(jù)流同步。因此，gzip不支持分割(塊)機制。
在這種情況下，MapReduce不分割gzip格式的文件，因為它知道輸入是gzip壓縮格式的(通過文件擴展名得知)，而gzip壓縮機制不支持分割機制。這樣是以犧牲本地化為代價:一個map任務將處理16個HDFS塊。大都不是map的本地數(shù)據(jù)。與此同時，因為map任務少，所以作業(yè)分割的粒度不夠細，從而導致運行時間變長。
在我們假設的例子中，如果是一個LZO格式的文件，我們會碰到同樣的問題，因為基本壓縮格式不為reader提供方法使其與流同步。但是，bzip2格式的壓縮文件確實提供了塊與塊之間的同步標記(一個48位的PI近似值)，因此它支持分割機制。
對于文件的收集，這些問題會稍有不同。ZIP是存檔格式，因此它可以將多個文件合并為一個ZIP文件。每個文件單獨壓縮，所有文檔的存儲位置存儲在ZIP文件的尾部。這個屬性表明ZIP文件支持文件邊界處分割，每個分片中包括ZIP壓縮文件中的一個或多個文件。
在MapReduce我們應該使用哪種壓縮格式
根據(jù)應用的具體情況來決定應該使用哪種壓縮格式。就個人而言，更趨向于使用最快的速度壓縮，還是使用最優(yōu)的空間壓縮？一般來說，應該嘗試不同的策略，并用具有代表性的數(shù)據(jù)集進行測試，從而找到最佳方法。對于那些大型的、沒有邊界的文件，如日志文件，有以下選項。
存儲未壓縮的文件。
使用支持分割機制的壓縮格式，如bzip2。
在應用中將文件分割成幾個大的數(shù)據(jù)塊，然后使用任何一種支持的壓縮格式單獨壓縮每個數(shù)據(jù)塊(可不用考慮壓縮格式是否支持分割)。在這里，需要選擇數(shù)據(jù)塊的大小使壓縮后的數(shù)據(jù)塊在大小上相當于HDFS的塊。
使用支持壓縮和分割的Sequence File(序列文件)。
對于大型文件，不要對整個文件使用不支持分割的壓縮格式，因為這樣會損失本地性優(yōu)勢，從而使降低MapReduce應用的性能。
hadoop支持Splittable壓縮lzo
在hadoop中使用lzo的壓縮算法可以減小數(shù)據(jù)的大小和數(shù)據(jù)的磁盤讀寫時間，在HDFS中存儲壓縮數(shù)據(jù)，可以使集群能保存更多的數(shù)據(jù)，延長集群的使用壽命。不僅如此，由于mapreduce作業(yè)通常瓶頸都在IO上，存儲壓縮數(shù)據(jù)就意味這更少的IO操作，job運行更加的高效。
但是在hadoop上使用壓縮也有兩個比較麻煩的地方：第一，有些壓縮格式不能被分塊，并行的處理，比如gzip。第二，另外的一些壓縮格式雖然支持分塊處理，但是解壓的過程非常的緩慢，使job的瓶頸轉(zhuǎn)移到了cpu上，例如bzip2。
如果能夠擁有一種壓縮算法，即能夠被分塊，并行的處理，速度也非常的快，那就非常的理想。這種方式就是lzo。
lzo的壓縮文件是由許多的小的blocks組成（約256K），使的hadoop的job可以根據(jù)block的劃分來split job。不僅如此，lzo在設計時就考慮到了效率問題，它的解壓速度是gzip的兩倍，這就讓它能夠節(jié)省很多的磁盤讀寫，它的壓縮比的不如gzip，大約壓縮出來的文件比gzip壓縮的大一半，但是這樣仍然比沒有經(jīng)過壓縮的文件要節(jié)省20%-50%的存儲空間，這樣就可以在效率上大大的提高job執(zhí)行的速度。
hadoop下lzo配置文檔參考http://www.tech126.com/hadoop-lzo/
如何在MapReduce中使用壓縮
1.輸入的文件的壓縮
如果輸入的文件是壓縮過的，那么在被MapReduce讀取時，它們會被自動解壓，根據(jù)文件擴展名來決定應該使用哪一個壓縮解碼器。
2.MapReduce作業(yè)的輸出的壓縮
如果要壓縮MapReduce作業(yè)的輸出，請在作業(yè)配置文件中將mapred.output.compress屬性設置為true。將mapred.output.compression.codec屬性設置為自己打算使用的壓縮編碼/解碼器的類名。
如果為輸出使用了一系列文件，可以設置mapred.output.compression.type屬性來控制壓縮類型，默認為RECORD，它壓縮單獨的記錄。將它改為BLOCK，則可以壓縮一組記錄。由于它有更好的壓縮比，所以推薦使用。
3.map作業(yè)輸出結(jié)果的壓縮
即使MapReduce應用使用非壓縮的數(shù)據(jù)來讀取和寫入，我們也可以受益于壓縮map階段的中間輸出。因為map作業(yè)的輸出會被寫入磁盤并通過網(wǎng)絡傳輸?shù)絩educer節(jié)點，所以如果使用LZO之類的快速壓縮，能得到更好的性能，因為傳輸?shù)臄?shù)據(jù)量大大減少了。以下代碼顯示了啟用rnap輸出壓縮和設置壓縮格式的配置屬性。
- conf.setCompressMapOutput(true);
- conf.setMapOutputCompressorClass(GzipCodec.class);
本地壓縮庫
考慮到性能，最好使用一個本地庫（native library）來壓縮和解壓。例如，在一個測試中，使用本地gzip壓縮庫減少了解壓時間50%，壓縮時間大約減少了10%(與內(nèi)置的Java實現(xiàn)相比較)。表4-4展示了Java和本地提供的每個壓縮格式的實現(xiàn)。井不是所有的格式都有本地實現(xiàn)(例如bzip2壓縮)，而另一些則僅有本地實現(xiàn)（例如LZO）。
| 壓縮格式 | Java實現(xiàn) | 本地實現(xiàn) |
| DEFLATE | 是 | 是 |
| gzip | 是 | 是 |
| bzip2 | 是 | 否 |
| LZO | 否 | 是 |
Hadoop帶有預置的32位和64位Linux的本地壓縮庫，位于庫/本地目錄。對于其他平臺，需要自己編譯庫，具體請參見Hadoop的維基百科http://wiki.apache.org/hadoop/NativeHadoop。
本地庫通過Java系統(tǒng)屬性java.library.path來使用。Hadoop的腳本在bin目錄中已經(jīng)設置好這個屬性，但如果不使用該腳本，則需要在應用中設置屬性。
默認情況下，Hadoop會在它運行的平臺上查找本地庫，如果發(fā)現(xiàn)就自動加載。這意味著不必更改任何配置設置就可以使用本地庫。在某些情況下，可能希望禁用本地庫，比如在調(diào)試壓縮相關(guān)問題的時候。為此，將屬性hadoop.native.lib設置為false，即可確保內(nèi)置的Java等同內(nèi)置實現(xiàn)被使用(如果它們可用的話)。
原文鏈接：http://www.cnblogs.com/ggjucheng/archive/2012/04/22/2465580.html
【編輯推薦】
- Apache .htaccess文件的8個用法
- Hadoop 從Yahoo向Google的技術(shù)轉(zhuǎn)折
- Hadoop集群與Hadoop性能優(yōu)化
- Facebook實時信息系統(tǒng)：HBase每月存儲1350億條信息
