大数据

大数据压缩

大数据压缩常用格式

Posted by 李玉坤 on 2018-05-20

1. 压缩的好处和坏处

压缩技术分为有损和无损：大数据场景下我们用到的都是无损；不允许丢失数据

好处

  1. 减少存储磁盘空间
  2. 降低IO(网络的IO和磁盘的IO)
  3. 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

  1. 由于使用数据时，需要先将数据解压，加重CPU负荷

压缩在Hadoop中的应用

2. 压缩格式

压缩格式 工具 算法 扩展名 codec类 多文件 splitable native hadoop自带 Hadoop编解码
deflate 无 deflate .deflate DeflateCodec 否 否 是 是 org.apache.hadoop.io.compress.DeflateCodec
gzip gzip deflate .gz GzipCodec 否 否 是 是 org.apache.hadoop.io.compress.GzipCodec
bzip2 bzip2 bzip2 .bz2 Bzip2Codec 是 是 否 是 org.apache.hadoop.io.compress.Bzip2Codec
lzo lzop lzo .lzo LzopCodec 否 是[ifIndex] 否 否 com.hadoop.compression.lzo.LzoCodec
lz4 无 lz4 .lz4 Lz4Codec 否 否 是 否 org.apache.hadoop.io.compress.Lz4Codec
Snappy 无 Snappy .snappy SnappyCodec 否 否 是 否 org.apache.hadoop.io.compress.SnappyCodec

注：压缩格式中，有的不支持native是因为缺少so包（有的压缩是java写的，有的是c写的，比如lzo就是c写的）

压缩比

压缩格式 压缩比 压缩速度 解压速度
Snappy 49.9% 218.8MB/s 70.7MB/s
LZ4 49.3% 217.5MB/s 594.4MB/s
LZO 48.7% 184.3MB/s 125.6MB/s
Gzip/deflate 31.8% 16.3MB/s 64.2MB/s
Bzip2 27.7% 9.8MB/s 22.2MB/s

可以看出，压缩比越高，压缩时间越长，压缩比：Snappy<LZ4<LZO<GZIP<BZIP2

3.压缩格式各自优缺点

a. gzip

优点：
压缩比在四种压缩方式中较高；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；有hadoop native库；大部分linux系统都自带gzip命令，使用方便

缺点：
不支持split

b. 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；支持hadoop native库；需要在linux系统下自行安装lzop命令，使用方便

缺点：
压缩率比gzip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）

c. snappy

优点：
压缩速度快；支持hadoop native库

缺点：
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

优点：
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系统下自带bzip2命令，使用方便

缺点：
压缩/解压速度慢；不支持native

总结：
不同的场景选择不同的压缩方式，肯定没有一个一劳永逸的方法，如果选择高压缩比，那么对于cpu的性能要求要高，同时压缩、解压时间耗费也多；选择压缩比低的，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：

input： Flume Sink HDFS <== Spark/MapReduce 比如flume采集到hdfs会使用到压缩  
temp:   Sink DISK  比如中间数据落地磁盘也可以使用压缩  
output: Spark/MapReduce ==> Sink Hadoop 比如spark/mr的输出会到hdfs使用到压缩

一般在HDFS 、Hive、HBase中会使用；

当然一般较多的是结合Spark 来一起使用。




FEATURED TAGS
大数据