- 1大数据进阶（二）：数据可视化和分析工具推荐_免费大数据分析软件_datawrangler
- 2Android Studio使用Git提交、分支、切换、合并_android studio git提交代码
- 3ES kibana常用语法---增删改查_es 语法修改
- 4【一步一步了解Java系列】：重磅多态
- 52023年电赛电源题代码开源——（含SOGI、锁相环、电压电流双环控制的STM32实现）_单同步单相锁相环.c实现
- 6使用Selenium自动化操作浏览器！_chrome selenium
- 7【神经网络】GAN生成对抗网络_gan的生成网络有什么组成
- 8为MacTex配置Ctex环境_ctex mac
- 9排序——堆排序和TopK_top k堆排序
- 10K-Means聚类算法（matlab）_k-means clustering algorithm initialization proces
Hadoop - MapRedcue支持的压缩编码、压缩方式选择、压缩位置选择及参数配置_hadoop mapreduce指定编码
赞
踩
一、为什么要使用压缩？
压缩技术能够有效减少底层存储系统（HDFS）读写字节数。压缩提高了网络带宽和磁盘空间的效率。在运行MR程序时，I/O操作、网络数据传输、 Shuffle和Merge要花大量的时间，尤其是数据规模很大和工作负载密集的情况下，因此，使用数据压缩显得非常重要。
鉴于磁盘I/O和网络带宽是Hadoop的宝贵资源，数据压缩对于节省资源、最小化磁盘I/O和网络传输非常有帮助。可以在任意MapReduce阶段启用压缩。不过，尽管压缩与解压操作的CPU开销不高，其性能的提升和资源的节省并非没有代价。【会玩才能提升性能】
二、压缩的策略和原则
压缩是提高Hadoop运行效率的一种优化策略。
通过对Mapper、Reducer运行过程的数据进行压缩，以减少磁盘IO，提高MR程序运行速度。
注意：采用压缩技术减少了磁盘IO，但同时增加了CPU运算负担。所以，压缩特性运用得当能提高性能，但运用不当也可能降低性能。【压缩就是编码与解码的过程，内置压缩算法，当然会消耗CPU资源】
压缩基本原则：
（1）运算密集型的job，少用压缩
（2）IO密集型的job，多用压缩
三、MR支持的压缩编码
| 压缩格式 | hadoop自带？ | 算法 | 文件扩展名 | 是否可切片 | 换成压缩格式后，原来的程序是否需要修改 |
| DEFLATE | 是，直接使用 | DEFLATE | .deflate | 否 | 和文本处理一样，不需要修改 |
| Gzip | 是，直接使用 | DEFLATE | .gz | 否 | 和文本处理一样，不需要修改 |
| bzip2 | 是，直接使用 | bzip2 | .bz2 | 是 | 和文本处理一样，不需要修改 |
| LZO | 否，需要安装 | LZO | .lzo | 是 | 需要建索引，还需要指定输入格式 |
| Snappy | 是，直接使用 | Snappy | .snappy | 否 | 和文本处理一样，不需要修改 |
为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示。
| 压缩格式 | 对应的编码/解码器 |
| DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
| gzip | org.apache.hadoop.io.compress.GzipCodec |
| bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
| LZO | com.hadoop.compression.lzo.LzopCodec |
| Snappy | org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较
| 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 | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
小结：1）Gzip中庸，没有特点；2）Bzip2，慢工出细活，支持切片，压缩率高，但速度慢，合适冷数据；3）LZO，压缩解压缩速度接近于磁盘I/O速度，支持切片，但是使用麻烦；4）Snappy，一个字，就是快，压缩速度250MB/s，解压速度500MB/s，但是不支持切片，故最好压缩后的文件大小100-200MB，就非常适合用Snappy，企业中非常受欢迎，且Hadoop 3.x 配合CensOs7.0默认支持，Hadoop 2.0不支持。 如果有一天Snappy支持切片，估计就没有其他压缩格式的活了。
三、压缩方式选择
1.Gzip压缩
2.Bzip2压缩
3.LZO压缩
4.Snappy
四、压缩位置选择
五、压缩参数配置
要在Hadoop中启用压缩，可以配置如下参数：
| 参数 | 默认值 | 阶段 | 建议 |
| io.compression.codecs （在core-site.xml中配置） | 无，这个需要在命令行输入hadoop checknative查看 | 输入压缩 | Hadoop使用文件扩展名判断是否支持某种编解码器 |
| mapreduce.map.output.compress（在mapred-site.xml中配置） | false | mapper输出 | 这个参数设为true启用压缩 |
| mapreduce.map.output.compress.codec（在mapred-site.xml中配置） | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 企业多使用LZO或Snappy编解码器在此阶段压缩数据 |
| mapreduce.output.fileoutputformat.compress（在mapred-site.xml中配置） | false | reducer输出 | 这个参数设为true启用压缩 |
| mapreduce.output.fileoutputformat.compress.codec（在mapred-site.xml中配置） | org.apache.hadoop.io.compress.DefaultCodec | reducer输出 | 使用标准工具或者编解码器，如gzip和bzip2 |
| mapreduce.output.fileoutputformat.compress.type（在mapred-site.xml中配置） | RECORD | reducer输出 | SequenceFile输出使用的压缩类型：NONE和BLOCK |
