文章目录

• 0x00 文章内容
• 0x01 Hadoop压缩机制
• • • • • 1. 压缩的关键
        • 2. Hadoop支持的压缩工具
• 0x02 代码实操
• • • • • 1. 原理
        • 2. 代码及校验
• 0xFF 总结

1. Hadoop压缩机制
2. 代码实操

压缩是一种通过特定的算法来减小计算机文件大小的机制。这种机制是一种很方便的发明，尤其是对网络用户，因为它可以减小文件的字节总数，使文件能够通过较慢的互联网连接实现更快传输，此外还可以减少文件的磁盘占用空间。
——摘自百度百科

简而言之，通过一定的算法对数据进行特殊编码，使得数据存储的空间更小，此过程称为压缩，反之为解压缩，与Windows和Mac或者手机的压缩类似。

1. 压缩的关键

a. 无论使用哪种压缩工具，都需要权衡时间和空间，要么时间长空间少，要么时间短空间大
b. 在大数据领域，特别需要考虑压缩文件的可分割性，它会影响到在执行作业时Map启动的个数，从而会影响到作业的执行效率！
c. Hadoop会自动识别压缩格式。如果压缩的文件有相应压缩格式的扩展名（比如lzo，gz，bzip2 等）。Hadoop会自动选择相对应的解码器来解压数据，我们只需要确保输入的压缩文件有扩展名即可。

2. Hadoop支持的压缩工具

a. Hadoop支持的编码/解码器如下表

b. 常见的有：DEFLATE（默认）、gzip、bzip以及Snappy
c. 性能比较（摘自ABM）：

因此我们可以得出：

1. Bzip2压缩效果明显是最好的，但是bzip2压缩速度慢，可分割。
2. Gzip压缩效果不如Bzip2，但是压缩解压速度快，不支持分割。
3. LZO压缩效果不如Bzip2和Gzip，但是压缩解压速度最快！并且支持分割！

所有的压缩算法都显示出一种时间空间的权衡，更快的压缩和解压速度通常会耗费更多的空间。在选择使用哪种压缩格式时，我们应该根据自身的业务需求来选择。

下图是在本地压缩与通过流将压缩结果上传到BI的时间对比：

1. 原理

a. 通过反射的方式，对应的类如下

   gzip => org.apache.hadoop.io.compress.GzipCodec
   bzip => org.apache.hadoop.io.compress.BZipCodec
   snappy => org.apache.hadoop.io.compress.SnappyCodec
   DEFLATE => org.apache.hadoop.io.compress.DefaultCodec

b. 在选择压缩方式时，替换掉相应的类即可。

2. 代码及校验

a. 完整代码

package com.shaonaiyi.hadoop.filetype.compress;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;

import java.io.*;

/**
 * @Author shaonaiyi@163.com
 * @Date 2019/12/17 10:28
 * @Description Hadoop压缩机制
 */
public class CompressTest {

    public static void main(String[] args) throws IOException, ClassNotFoundException {

        //压缩
        compress("blockByte.txt", "org.apache.hadoop.io.compress.GzipCodec");
        //解压
//        decompress(new File("blockByte.txt.gz"));

    }

    private static File compress(String fileName, String compressClassName) throws ClassNotFoundException, IOException {
        Class<?> codecClass = Class.forName(compressClassName);
        Configuration configuration = new Configuration();
        CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, configuration);

        File fileOut = new File(fileName + codec.getDefaultExtension());
        fileOut.delete();

        OutputStream out = new FileOutputStream(fileOut);

        CompressionOutputStream cout = codec.createOutputStream(out);

        File fileIn = new File(fileName);
        InputStream in = new FileInputStream(fileIn);
        IOUtils.copyBytes(in, cout, 4096, false);

        in.close();
        cout.close();

        return fileOut;
    }

    private static void decompress(File file) throws IOException {
        Configuration configuration = new Configuration();
        CompressionCodecFactory factory = new CompressionCodecFactory(configuration);

        CompressionCodec codec = factory.getCodec(new Path(file.getName()));

        if (codec == null) {
            System.out.println("找不到文件->" + file);
            return;
        }

        File fileOut = new File(file.getName() + "-dec.txt");
        InputStream in = codec.createInputStream(new FileInputStream(file));

        OutputStream outputStream = new FileOutputStream(fileOut);
        IOUtils.copyBytes(in, outputStream, 4096, false);

        in.close();
        outputStream.close();
    }

}

b. 压缩后，发现项目路径下多了一个blockByte.txt.gz文件

c. 解压后，发现项目路径下多了一个blockByte.txt.gz-dec.txt文件

1. 压缩机制是非常有必要的，必须要懂。
2. 在MapReduce代码里怎么使用呢？设置上即可，如GzipCodec。

	FileOutputFormat.setCompressOutput(job, true);
	FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);

3. 参考文章：Hadoop 压缩实现分析

作者简介：邵奈一
全栈工程师、市场洞察者、专栏编辑
| 公众号 | 微信 | 微博 | CSDN | 简书 |

福利：
邵奈一的技术博客导航
邵奈一 原创不易，如转载请标明出处。