hadoop中MapReduce中压缩的使用及4种压缩格式的特征的比较

在比较四中压缩方法以前，先来点干的，说一下在MapReduce的job中怎么使用压缩。

MapReduce的压缩分为map端输出内容的压缩和reduce端输出的压缩，配置很简单，只要在做业的conf中配置便可

        //配置压缩
        conf.setBoolean("mapred.out.compress", true);//配置map输出的压缩
        conf.setBoolean("mapred.output.compress", true); //配置reduce输出的压缩
        conf.setClass("mapred.ouput.compression.codec", BZip2Codec.class, CompressionCodec.class); //配置压缩格式，我这里选用的是bzip2

 

1 gzip压缩

优势：压缩率比较高，并且压缩/解压速度也比较快；hadoop自己支持，在应用中处理gzip格式的文件就和直接处理文本同样；有hadoop native库；大部分linux系统都自带gzip命令，使用方便。

缺点：不支持split。

应用场景：当每一个文件压缩以后在130M之内的（1个块大小内），均可以考虑用gzip压缩格式。譬如说一天或者一个小时的日志压缩成一个gzip 文件，运行mapreduce程序的时候经过多个gzip文件达到并发。hive程序，streaming程序，和java写的mapreduce程序完 全和文本处理同样，压缩以后原来的程序不须要作任何修改。

2 lzo压缩

优势：压缩/解压速度也比较快，合理的压缩率；支持split，是hadoop中最流行的压缩格式；支持hadoop native库；能够在linux系统下安装lzop命令，使用方便。

缺点：压缩率比gzip要低一些；hadoop自己不支持，须要安装；在应用中对lzo格式的文件须要作一些特殊处理（为了支持split须要建索引，还须要指定inputformat为lzo格式）。

应用场景：一个很大的文本文件，压缩以后还大于200M以上的能够考虑，并且单个文件越大，lzo优势越越明显。

3 snappy压缩

优势：高速压缩速度和合理的压缩率；支持hadoop native库。

缺点：不支持split；压缩率比gzip要低；hadoop自己不支持，须要安装；linux系统下没有对应的命令。

应用场景：当mapreduce做业的map输出的数据比较大的时候，做为map到reduce的中间数据的压缩格式；或者做为一个mapreduce做业的输出和另一个mapreduce做业的输入。

4 bzip2压缩

优势：支持split；具备很高的压缩率，比gzip压缩率都高；hadoop自己支持，但不支持native；在linux系统下自带bzip2命令，使用方便。

缺点：压缩/解压速度慢；不支持native。

应用场景：适合对速度要求不高，但须要较高的压缩率的时候，能够做为mapreduce做业的输出格式；或者输出以后的数据比较大，处理以后的数据 须要压缩存档减小磁盘空间而且之后数据用得比较少的状况；或者对单个很大的文本文件想压缩减小存储空间，同时又须要支持split，并且兼容以前的应用程 序（即应用程序不须要修改）的状况。

最后用一个表格比较上述4种压缩格式的特征（优缺点）：

4种压缩格式的特征的比较

 

压缩格式	split	native	压缩率	速度	是否hadoop自带	linux命令	换成压缩格式后，原来的应用程序是否要修改
gzip	否	是	很高	比较快	是，直接使用	有	和文本处理同样，不须要修改
lzo	是	是	比较高	很快	否，须要安装	有	须要建索引，还须要指定输入格式
snappy	否	是	比较高	很快	否，须要安装	没有	和文本处理同样，不须要修改
bzip2	是	否	最高	慢	是，直接使用	有	和文本处理同样，不须要修改