一、Hadoop数据压缩及其优缺点
1、压缩技术的好处与坏处
好处:
- 减少存储磁盘空间
- 降低IO(网络的IO和磁盘的IO)
- 加快数据在磁盘和网络中的传输速度,从而提高系统的处理速度。
坏处:
- 由于使用数据时,需要先将数据解压,加重了CPU的负荷。
使用压缩的基本原则:
- 运算密集型的job,少用压缩
- IO密集型的job,多用压缩
2、压缩格式
压缩格式 | Hadoop自带 | 算法 | 文件扩展名 | 是否可以切分 | 工具 | Hadoop编码/解码器 |
Default | 是,直接使用 | Default | .deflate | 否 | N/A | org.apache.hadoop.io.compress.DefaultCodec |
Gzip | 是,直接使用 | Default | .gz | 否 | gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip | 是,直接使用 | bzip2 | .bz2 | 是 | bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | 否,需要安装 | LZO | .lzo | 是 | Lzop | com.hadoop.compression.lzo.LzopCodec |
LZ4 | 否,需要安装 | lZ4 | .lz4 | 否 | N/A | com.hadoop.compression.lzo.Lz4Codec |
Snappy | 否,需要安装 | Snappy |
.snappy |
否 | N/A | org.apache.hadoop.io.compress.SnappyCodec |
3、优缺点
压缩格式 | 优点 | 缺点 |
gzip |
压缩比在四种压缩方式中比较高;hadoop本身支持,在应用中处理gizp格式的文件和直接处理文本一样;有hadoop native库,大部分linux系统都自带gzip命令,使用方便。 |
不支持split |
lzo | 压缩/解压速度也比加快,合理 的压缩率;支持split,是hadoop中最流行的压缩格式,支持hadoop native库;需要在linux系统下自行安装lzop命令,使用方便 | 压缩率比gizp要低;hadoop本身不支持,需要安装;lzo虽然支持split,但需要对lzo文件建索引,否则hadoop也是会把lzo文件看成一个普通文件(为了支持split需要建索引,需要指定inputformat为lzo格式) |
snappy | 压缩速度快;支持hadoop native库 | 不支持split;压缩比低;hadoop本身不支持,需要安装;linux系统下没有对应的命令d.bzip2 |
bzip2 | 支持split;具有很高的压缩率,比gzip压缩率都高;hadoop本身支持,但不支持native;在linux系统自带bzip2命令,使用方便 | 压缩/解压速度慢;不支持native |
二、总结
1、不同的场景选择不同的压缩方式,如果选择高压缩比,那么对于cpu的性能要求要高,同事压缩/解压耗时也长;
2、选择压缩比低,对于磁盘Io、网络IO的时间要多,空间占据要多;对于支持分割的,可以实现并行处理。
应用场景:一般用在HDFS、Hive、HBase中会使用,一般较多的是结合Spark来一起使用。
来源:https://www.cnblogs.com/chhyan-dream/p/12024842.html