简介
压缩：原始数据通过压缩手段产生目标数据，要求输入和输出的内容是一样的（大部分），但体积是不一样的。
对于单机用户来说，磁盘空间的限制导致了文件压缩的需求；对于Hadoop用户来说，由于DataNode的限制，也要对HDFS上的数据进行压缩。压缩的目的是减少存储在HDFS上的数据所占用的空间（磁盘的角度），提升网络的传输效率（网络的角度）。对于分布式计算框架来说，Shuffle是一个主要的技术瓶颈。
大数据处理流程基本上是输入==>处理==>输出，举例来说，在离线处理方面，Spark可以HDFS==>Spark==>HDFS，在实时处理方面，Spark Streaming可以Kafka==>Spark Streaming==>RDBMS。压缩可以使用在输入时，也可以使用在处理时（比如map作为中间状态，它的输出可以压缩以减少Shuffle的量），输出时。
MR在进行压缩数据处理时，不需要手工去处理。但是MR执行过程中，是需要一个动作进行数据压缩、解压的，MR根据后缀名进行处理。在处理压缩、解压的过程中，是有CPU资源的消耗的。如果集群本来CPU使用率很高，就会对其他作业产生影响，不建议使用压缩。
常见的压缩格式有GZIP、BZIP2、LZO、SNAPPY。选择压缩格式要从压缩比、压缩速度考虑。不同的压缩格式对应不同的codec。
BZip2Codec压缩：
package com.bigdata.compression;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
public class CompressionApp {
public static void main(String[] args) throws Exception{
String filename = "ip.txt";
String method = "org.apache.hadoop.io.compress.BZip2Codec";
compress(filename,method);
}
private static void compress(String filename, String method) throws Exception{
FileInputStream fis = new FileInputStream(new File(filename));
Class<?> codecClass = Class.forName(method);
CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, new Configuration());
FileOutputStream fos = new FileOutputStream(new File(filename + codec.getDefaultExtension()));
CompressionOutputStream cos = codec.createOutputStream(fos);
IOUtils.copyBytes(fis,cos,1024*102485);
cos.close();
fos.close();
fis.close();
}
}
- 读取输入流
- 通过类名反射出对应的codec
- 写出输出流
- 通过IOUtils.copyBytes写出去
压缩前后对比：
BZip2Codec解压：
private static void decompression(String filename) throws Exception{
CompressionCodecFactory factory = new CompressionCodecFactory(new Configuration());
CompressionCodec codec = factory.getCodec(new Path(filename));
CompressionInputStream fis = codec.createInputStream(new FileInputStream(new File(filename)));
FileOutputStream fos = new FileOutputStream(new File(filename) + ".decoded");
IOUtils.copyBytes(fis,fos,1024*102485);
fos.close();
fos.close();
fis.close();
}
解压前后对比：
Map端压缩控制：
mapred-default.xml中有mapreduce.map.output.compress参数，控制map输出时的压缩，mapreduce.map.output.compress.codec控制压缩类型。
代码层面可以用：
configuration.setBoolean("mapreduce.map.output.compress",true);
configuration.setClass("mapreduce.map.output.compress.codec",BZip2Codec.class,CompressionCodec.class);
进行设置即可。
若要在配置层面更改，core-site.xml需要加上：
<property>
<name>io.compression.codecs</name>
<value>
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.SnappyCodec
</value>
</property>
mapred-site.xml添加：
mapreduce.map.output.compress=true
mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.BZip2Code
mapreduce.output.fileoutputformat.compress=true
mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.BZip2Code
配置文件修改完重启Hadoop即可。
Reduce端压缩控制：
mapred-default.xml中有mapreduce.output.fileoutputformat.compress参数，控制reduce端输出时的压缩，
mapreduce.output.fileoutputformat.compress.codec控制压缩类型。
设置同上。