Gzip,BZip2,Lzo,Snappy总结
说明
gzip,bzip2,lzo,snappy是hadoop中比较常见的文件压缩格式,可以节省很多硬盘存储,我阅读“剑仙ex”的: Gzip , BZip2 , Lzo Snappy 四种方式的优缺点 和使用场景很受启发,但这位仁兄没有做成表格进行对比,本文将会对这4种压缩格式优缺点,使用场景做一个表格,方便各位阅看.
优点
压缩格式 | 优点 | 缺点 | 使用场景 | 不同意见 |
---|---|---|---|---|
Gzip | 1.压缩解压速度快 , 压缩率高 , hadoop本身支持 2.处理压缩文件时方便 , 和处理文本一样 3.大部分linux 系统自带 Gzip 命令 , 使用方便 |
不支持切片 | 1.文件压缩后在130M以内 (一个块大小) , 都可以使用 GZip 压缩(因为Gzip唯一的缺点是不能切片) 2.总结 : 不需要切片的情况下 可以使用 |
|
Bzip2 | 1.压缩率高(高于Gzip) 2.可以切片 3.hadoop自带 使用方便 |
压缩解压速度超级慢 | 1.不要求压缩速率 ,但是对压缩率有要求的情况下 比如备份历史记录 , 备份文件 2.输出的文件较大 , 处理后的数据需要减少磁盘存储并且以后使用数据的情况较少 (解压 / 压缩的情况较少) 3.对于单个文件 较大 ,又想压缩减少磁盘空间 , 并且兼容之前的应用程序的情况 4.总结 : 对于压缩解压速度没有要求的情况下 |
|
Lzo | 1.压缩解压速度比较快 , 压缩率也可以 2.支持切片 是hadoop 比较流行的压缩格式 3.可以在linux 下安装 lzo命令 使用方便 |
1.压缩率比Gzip低一些 2.hadoop 本身不支持, 需要自己安装 3.使用Lzo 格式的文件时需要做一些特殊处理(为了支持 Split 需要建立索引 , 还需要家将 InputFormat 指定为Lzo 格式 [特殊] |
1.压缩以后还大于 200M 的文件 , 且文件越大 Lzo 的优势越明显 2.(原因很简单 , 四种压缩方式 只有BZip2 , Gzip 支持切片 , 然后 BZip2 你懂的 , 速度贼慢 , 只能用于特定的场景, 所以 Lzo 是比较经常用的 ) 3.总结 : 压缩后文件还是比较大 需要切片的情况下 推荐使用 |
|
Snappy | 高压缩解压速度 , 压缩率还可以 | 1.不能切片 2.压缩率比Gzip小 3.hadoop本身不支持 需要安装 |
1.当Mapeduce的Map阶段输出的数据比较大的时候 , 作为Map到Reduce的中间数据的压缩格式 2.作为一个MapReduce作业的输出和另一个MapReduce的输入 3.总结 : 因为 压缩率不怎么样 还不能切片 , 所以在一般的作为输入文件压缩时可以用 GZip 和 Lzo 都比Snappy |
snappy压缩率要高于lzo |
总结 :
压缩速率 : Snappy > GZIp > Lzo >BZip2
支持切片 : BZIp2 LZo
压缩率 : BZip2 > GZip > Lzo > Snappy
特殊 : Lzo Snappy hadoop 本身不支持 , 需要自行安装 并且 Lzo 需要建立索引
不同意见和补充
- 压缩率:snappy压缩率要高于lzo,博主公司也在同时使用lzo与snappy压缩格式。博主公司每日的数据为1.5T,在经过lzo压缩后可以维持在600g——700g之间;然而snappy格式压缩完后只有300g——400g,几乎为lzo的两倍。