Hadoop（2.6.0-cdh5.15.1）配置lzo压缩_hadoop-lzo包

Hadoop经常用于处理大量的数据，如果期间的输出数据、中间数据能压缩存储，对系统的I/O性能会有提升。综合考虑压缩、解压速度、是否支持split，目前lzo是最好的选择。LZO（LZO是Lempel-Ziv-Oberhumer的缩写）是一种高压缩比和解压速度极快的编码，它的特点是解压缩速度非常快，无损压缩，压缩后的数据能准确还原，lzo是基于block分块的，允许数据被分解成chunk，能够被并行的解压。LZO库实现了许多有下述特点的算法：
　　（1）、解压简单，速度非常快。
　　（2）、解压不需要内存。
　　（3）、压缩相当地快。
　　（4）、压缩需要64 kB的内存。
　　（5）、允许在压缩部分以损失压缩速度为代价提高压缩率，解压速度不会降低。
　　（6）、包括生成预先压缩数据的压缩级别，这样可以得到相当有竞争力的压缩比。
　　（7）、另外还有一个只需要8 kB内存的压缩级别。
　　（8）、算法是线程安全的。
　　（9）、算法是无损的。
一、安装lzop native library
1.在编译lzo包的时候，需要一些环境，可以用下面的命令安装好lzo编译环境
[root@hadoop000 ~]# yum -y install  lzo-devel  zlib-devel  gcc autoconf automake libtool
2.下载、解压并编译lzo包

[root@hadoop000 local]#wget http://www.oberhumer.com/opensource/lzo/download/lzo-2.06.tar.gz
[root@hadoop000 local]#tar -zxvf lzo-2.06.tar.gz 
[root@hadoop000 local]#cd lzo-2.06
[root@hadoop000 local]#export CFLAGS=-m64
[root@hadoop000 local]#./configure -enable-shared -prefix=/usr/local/hadoop-2.9.1/lzo/
[root@hadoop000 local]#make && sudo make install 

二、修改Hadoop配置
进入配置文件目录
[hadoop@hadoop000 hadoop]$ cd etc/hadoop
[hadoop@hadoop000 hadoop]$ vim hadoop-env.sh 

export LD_LIBRARY_PATH=/usr/local/hadoop/lzo/lib

[hadoop@hadoop000 hadoop]$ vim core-site.xml 

<property>
        <name>io.compression.codecs</name>
        <value>org.apache.hadoop.io.compress.GzipCodec,
               org.apache.hadoop.io.compress.DefaultCodec,
               com.hadoop.compression.lzo.LzoCodec,
               com.hadoop.compression.lzo.LzopCodec,
               org.apache.hadoop.io.compress.BZip2Codec
        </value>
</property>
 
<property>
        <name>io.compression.codec.lzo.class</name>
        <value>com.hadoop.compression.lzo.LzoCodec</value>
</property>

[hadoop@hadoop000 hadoop]$ vim mapred-site.xml

<property>
        <name>mapred.compress.map.output</name>
        <value>true</value>
</property>
 
<property>
        <name>mapred.map.output.compression.codec</name>
        <value>com.hadoop.compression.lzo.LzoCodec</value>
</property>
 
<property>
        <name>mapred.child.env</name>
        <value>LD_LIBRARY_PATH=/usr/local/hadoop/lzo/lib</value>
</property>

三、安装hadoop-lzo
下载hadoop-lzo
[root@hadoop000~]#wget https://github.com/twitter/hadoop-lzo/archive/master.zip
解压文件
[root@hadoop000~]#unzip master.zip
进入目录
[root@hadoop000~]# cd hadoop-lzo-master/
查看Hadoop的版本

[hadoop@hadoop000 bin]$ ./hadoop version
Hadoop 2.6.0-cdh5.15.1
Subversion http://github.com/cloudera/hadoop -r 2d822203265a2827554b84cbb46c69b86ccca149
Compiled by jenkins on 2018-08-09T16:23Z
Compiled with protoc 2.5.0
From source with checksum 96bc735f7d923171f18968309fa3c477
This command was run using /home/hadoop/app/hadoop-2.6.0-cdh5.15.1/share/hadoop/common/hadoop-common-2.6.0-cdh5.15.1.jar

编辑pom.xml中的hadoop版本号跟集群中使用的版本号一致

<repository>
    <id>cloudera</id>
    <url>https://repository.cloudera.com/artifactory/cloudera-repos</url>
 </repository>
 
<properties>
    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
    <hadoop.current.version>2.6.0-cdh5.15.1</hadoop.current.version>
    <hadoop.old.version>1.0.4</hadoop.old.version>
</properties>

开始编译
mvn clean package -Dmaven.test.skip=true

Generating /home/hadoop/software/hadoop-lzo-master/target/apidocs/allclasses-noframe.html...
Generating /home/hadoop/software/hadoop-lzo-master/target/apidocs/index.html...
Generating /home/hadoop/software/hadoop-lzo-master/target/apidocs/overview-summary.html...
Generating /home/hadoop/software/hadoop-lzo-master/target/apidocs/help-doc.html...
[INFO] Building jar: /home/hadoop/software/hadoop-lzo-master/target/hadoop-lzo-0.4.21-SNAPSHOT-javadoc.jar
[INFO] ------------------------------------------------------------------------
[INFO] BUILD SUCCESS
[INFO] ------------------------------------------------------------------------
[INFO] Total time:  01:27 h
[INFO] Finished at: 2019-10-06T23:37:29+08:00
[INFO] ------------------------------------------------------------------------

编译成功后执行如下命令
cd target/native/Linux-amd64-64
tar -cBf - -C lib . | tar -xBvf - -C ~
cp ~/libgplcompression* $HADOOP_HOME/lib/native/

到hadoop-lzo-master下把jar包导入Hadoop中
cp target/hadoop-lzo-0.4.21-SNAPSHOT.jar $HADOOP_HOME/share/hadoop/common/
cp target/hadoop-lzo-0.4.21-SNAPSHOT.jar $HADOOP_HOME/share/hadoop/mapreduce/lib

四、检测是否配置成功

1、hive方法

create table lzo(id int,name string)
    STORED AS INPUTFORMAT 'com.hadoop.mapred.DeprecatedLzoTextInputFormat' 
    OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';

2、job日志方法
使用lzo压缩

[hadoop@hadoop000 data]$ ll -h trackinfo_20191001.data
-rw-r--r-- 1 hadoop hadoop 1.5G Oct  7 15:23 trackinfo_20191001.data
[hadoop@hadoop000 data]$ lzop trackinfo_20191001.data
[hadoop@hadoop000 data]$ ll -h trackinfo_20191001*
-rw-r--r-- 1 hadoop hadoop 1.5G Oct  7 15:23 trackinfo_20191001.data
-rw-r--r-- 1 hadoop hadoop 279M Oct  7 15:23 trackinfo_20191001.data.lzo

上传到HDFS

[hadoop@hadoop000 data]$ hdfs dfs -put trackinfo_20191001.data.lzo /data/lzo
[hadoop@hadoop000 data]$ hdfs dfs -ls /data/lzo
Found 1 items
-rw-r--r--   1 hadoop supergroup  292080918 2019-10-07 15:25 /data/lzo/trackinfo_20191001.data.lzo
[hadoop@hadoop000 data]$ hdfs dfs -ls -h /data/lzo
Found 1 items
-rw-r--r--   1 hadoop supergroup    278.6 M 2019-10-07 15:25 /data/lzo/trackinfo_20191001.data.lzo

在web界面查看，该数据只有一个128M的分片

执行一个wordcount

hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.15.1.jar wordcount  /data/lzo/trackinfo_20191001.data.lzo /data/lzo/output

日志提示使用了lzo库，但是分片只有一个


给文件建立索引

hadoop jar /home/hadoop/software/hadoop-lzo-master/target/hadoop-lzo-0.4.21-SNAPSHOT.jar com.hadoop.compression.lzo.DistributedLzoIndexer  /data/lzo/trackinfo_20191001.data.lzo

[hadoop@hadoop000 target]$ hdfs dfs -ls /data/lzo
Found 2 items
-rw-r--r--   1 hadoop supergroup  292080918 2019-10-07 15:25 /data/lzo/trackinfo_20191001.data.lzo
-rw-r--r--   1 hadoop supergroup      47672 2019-10-07 15:48 /data/lzo/trackinfo_20191001.data.lzo.index

web页面的显示为


重新执行wordcount
注意此次的命令和上面的命令不一样，多了参数（-Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTextInputFormat）

hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.15.1.jar wordcount -Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTextInputFormat /data/lzo/trackinfo_20191001.data.lzo /data/output/lzo

文件trackinfo_20191001.data.lzo大小 278.6 M，分成3个splits，符合预期。
参考链接：
https://blog.csdn.net/weixin_43267534/article/details/84928645
https://blog.csdn.net/diyangxia/article/details/80845638