文章目录
0x00 文章内容
- Hadoop压缩机制
- 代码实操
压缩是一种通过特定的算法来减小计算机文件大小的机制。这种机制是一种很方便的发明,尤其是对网络用户,因为它可以减小文件的字节总数,使文件能够通过较慢的互联网连接实现更快传输,此外还可以减少文件的磁盘占用空间。
——摘自百度百科
简而言之,通过一定的算法对数据进行特殊编码,使得数据存储的空间更小,此过程称为压缩,反之为解压缩,与Windows和Mac或者手机的压缩类似。
0x01 Hadoop压缩机制
1. 压缩的关键
a. 无论使用哪种压缩工具,都需要权衡时间和空间,要么时间长空间少,要么时间短空间大
b. 在大数据领域,特别需要考虑压缩文件的可分割性,它会影响到在执行作业时Map启动的个数,从而会影响到作业的执行效率!
c. Hadoop会自动识别压缩格式。如果压缩的文件有相应压缩格式的扩展名(比如lzo
,gz
,bzip2
等)。Hadoop会自动选择相对应的解码器来解压数据,我们只需要确保输入的压缩文件有扩展名即可。
2. Hadoop支持的压缩工具
a. Hadoop支持的编码/解码器如下表
压缩格式 | 工具 | 算法 | 扩展名 | 多文件 | 可分割性 |
DEFLATE | 无 | DEFLATE | .deflate | 不 | 不 |
GZIP | gzip | DEFLATE | .gzp | 不 | 不 |
ZIP | zip | DEFLATE | .zip | 是 | 是,在文件范围内 |
BZIP2 | bzip2 | BZIP2 | .bz2 | 不 | 是 |
LZO | lzop | LZO | .lzo | 不 | 是 |
b. 常见的有:DEFLATE(默认)、gzip、bzip以及Snappy
c. 性能比较(摘自ABM):
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-bset | 8.3GB | 2GB | 4MB/s | 60.6MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
因此我们可以得出:
- Bzip2压缩效果明显是最好的,但是bzip2压缩速度慢,可分割。
- Gzip压缩效果不如Bzip2,但是压缩解压速度快,不支持分割。
- LZO压缩效果不如Bzip2和Gzip,但是压缩解压速度最快!并且支持分割!
所有的压缩算法都显示出一种时间空间的权衡,更快的压缩和解压速度通常会耗费更多的空间。在选择使用哪种压缩格式时,我们应该根据自身的业务需求来选择。
下图是在本地压缩与通过流将压缩结果上传到BI的时间对比:
0x02 代码实操
1. 原理
a. 通过反射的方式,对应的类如下
gzip => org.apache.hadoop.io.compress.GzipCodec
bzip => org.apache.hadoop.io.compress.BZipCodec
snappy => org.apache.hadoop.io.compress.SnappyCodec
DEFLATE => org.apache.hadoop.io.compress.DefaultCodec
b. 在选择压缩方式时,替换掉相应的类即可。
2. 代码及校验
a. 完整代码
package com.shaonaiyi.hadoop.filetype.compress;
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.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;
import java.io.*;
/**
* @Author shaonaiyi@163.com
* @Date 2019/12/17 10:28
* @Description Hadoop压缩机制
*/
public class CompressTest {
public static void main(String[] args) throws IOException, ClassNotFoundException {
//压缩
compress("blockByte.txt", "org.apache.hadoop.io.compress.GzipCodec");
//解压
// decompress(new File("blockByte.txt.gz"));
}
private static File compress(String fileName, String compressClassName) throws ClassNotFoundException, IOException {
Class<?> codecClass = Class.forName(compressClassName);
Configuration configuration = new Configuration();
CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, configuration);
File fileOut = new File(fileName + codec.getDefaultExtension());
fileOut.delete();
OutputStream out = new FileOutputStream(fileOut);
CompressionOutputStream cout = codec.createOutputStream(out);
File fileIn = new File(fileName);
InputStream in = new FileInputStream(fileIn);
IOUtils.copyBytes(in, cout, 4096, false);
in.close();
cout.close();
return fileOut;
}
private static void decompress(File file) throws IOException {
Configuration configuration = new Configuration();
CompressionCodecFactory factory = new CompressionCodecFactory(configuration);
CompressionCodec codec = factory.getCodec(new Path(file.getName()));
if (codec == null) {
System.out.println("找不到文件->" + file);
return;
}
File fileOut = new File(file.getName() + "-dec.txt");
InputStream in = codec.createInputStream(new FileInputStream(file));
OutputStream outputStream = new FileOutputStream(fileOut);
IOUtils.copyBytes(in, outputStream, 4096, false);
in.close();
outputStream.close();
}
}
b. 压缩后,发现项目路径下多了一个blockByte.txt.gz
文件
c. 解压后,发现项目路径下多了一个blockByte.txt.gz-dec.txt
文件
0xFF 总结
- 压缩机制是非常有必要的,必须要懂。
- 在MapReduce代码里怎么使用呢?设置上即可,如
GzipCodec
。
FileOutputFormat.setCompressOutput(job, true);
FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
3. 参考文章:Hadoop 压缩实现分析
作者简介:邵奈一
全栈工程师、市场洞察者、专栏编辑
| 公众号 | 微信 | 微博 | 简书 |
福利:
邵奈一 原创不易,如转载请标明出处。