Hadoop IO操作之压缩

减少储存文件所需空间，还可以降低其在网络上传输的时间。
压缩算法对比
 
算法    原始文件大小      压缩后文件大小  压缩速度    解压缩速度
Gzip               8.3G       1.8G                     17.5MB/s      58MB/s
Bzip2                             1.1                        2.4MB/s       9.5MB/s
LZO-bset                        2                         4MB/s          60.6MB/s
LZO                                2.9                       49.3MB/s     74.6MB/s
 
Bzip2支持切分 splitting.hdfs上文件1GB，如按照默认块64MB，那么这个文件被分为16个块。如果把这个块放入MR任务 ，将有16个map任务输入。如果算法不支持切分，后果是MR把这个文件作为一个Map输入。这样任务减少了，降低了数据的本地性。
1.CodeC
　　实现了一种压缩解压算法。Hadoop中压缩解压类实现CompressionCodec接口createOutputStream来创建一个CompressionOutputStream,将其压缩格式写入底层的流演示HDFS上一个1.bzip2算法压缩的文件解压，然后把解压的文件压缩成2.gz。
2.本地库
　　Hadoop使用java开发，但是有些需求和操作并不适合java，所以引入了本地库 native。可以高效执行某些操作。如使用gzip压缩解压时，使用本地库比使用java时间要缩短大约10%，解压达到50%。在hadoop_home/lib/native下
在hadoop配置文件core-site.xml可以设置是否使用native
<property>
<name>Hadoop.native.lib
<value>true
</property>
　　默认是启用本地库，如果频繁使用原生库做压解压任务，可以使用codecpool，通过CodecPool的getCompressor方法获得Compressor对象，需要传入Codec 。这样可以节省创建Codec对象开销 ，允许反复使用。
使用哪种压缩和具体应用有关，对于巨大，没有储存边界的文件如日志 可以考虑：
　　·储存不压缩的文件
  　 ·使用支持切分的储存格式 bzip2

　　·在应用中切分，然后压缩，需要选择合理数据块的大小，以确定压缩后的块大小
　　·使用顺序文件SF，支持压缩和切分
　　·使用Avro数据文件，支持压缩切分并增加了编程语言可读写的优势对于大文件，不应该使用不支持切分的压缩格式，否则失去本地性，造成MR应用效率低下。