hadoop中的压缩

一、考虑指标

（1）压缩文件的大小：越小越好

（2）压缩文件所用时间：越快愈好

（3）已经压缩的格式是否可以进行再分割：可以分割的格式允许单一文件由多个 Mapper 程序处理，可实现更好的并行度。

二、具体压缩格式

1. Gzip

• 优点：压缩率比较高，而且压缩/解压速度也比较快；Hadoop 本身支持，在应用中处理 Gzip 格式的文件就和直接处理文本一样；大部分 Linux 系统都自带 Gzip 命令，使用方便。
• 缺点：不支持 Split。
• 应用场景：当每个文件压缩之后在130M以内的（1个块大小内），都可以考虑用Gzip压缩格式。譬如说，一天或者一个小时的日志压缩成一个Gzip文件。

2. bzip2

• 优点：支持Split；具有很高的压缩率，比Gzip压缩率都高；Hadoop本身自带，使用方便。

• 缺点：压缩/解压速度慢。

• 应用场景：适合对速度要求不高，但需要较高的压缩率的时候，可以作为 MapReduce 作业的输出格式；或者输出之后的数据比较大，处理之后的数据需要压缩存档减少磁盘空间并且以后数据用得比较少的情况；或者对单个很大的文本文件想压缩减少存储空间，同时又需要支持Split，而且兼容之前的应用程序（即应用程序不需要修改）的情况。

3. LZO

• 优点：压缩/解压速度也比较快，合理的压缩率；支持Split，是Hadoop中最流行的压缩格式；可以在Linux系统下安装 lzop 命令，使用方便。

• 缺点：压缩率比 Gzip 要低一些；Hadoop本身不支持，需要安装；在应用中对 LZO 格式的文件需要做一些特殊处理（为了支持 Split 需要建索引，还需要指定 InputFormat 为LZO格式）。

• 应用场景：一个很大的文本文件，压缩之后还大于200M以上的可以考虑，而且单个文件越大，LZO优点越明显。

4. Snappy

• 优点：高速压缩速度和合理的压缩率。在64位模式下的酷睿 i7 单核处理器上，Snappy 压缩速度约为250 MB/秒或更高，解压缩速度约为500 MB/秒或更高。

• 缺点：不支持Split；压缩率比 Gzip 要低；Hadoop本身不支持，需要安装。Linux 系统下没有对应的命令。

• 应用场景：当 MapReduce 作业的 Map 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；或者作为一个 MapReduce 作业的输出和另外一个 MapReduce 作业的输入。

三、总结

压缩速度：Snappy > LZO > Gzip > bzip2
压缩比：bzip2 > Gzip > LZO > Snappy

*注：以上内容参考青椒课堂hadoop技术