數(shù)據(jù)存儲(chǔ)在hdfs格式,使用的什么壓縮方式？壓縮比多少

目前在Hadoop中用得比較多的有l(wèi)zo，gzip，snappy，bzip2這4種壓縮格式，筆者根據(jù)實(shí)踐經(jīng)驗(yàn)介紹一下這4種壓縮格式的優(yōu)缺點(diǎn)和應(yīng)用場景，以便大家在實(shí)踐中根據(jù)實(shí)際情況選擇不同的壓縮格式。

1. gzip壓縮 

- 優(yōu)點(diǎn)： - 壓縮率比較高，而且壓縮/解壓速度也比較快；

- hadoop本身支持，在應(yīng)用中處理gzip格式的文件就和直接處理文本一樣；

 - 有hadoop native庫； - 大部分linux系統(tǒng)都自帶gzip命令，使用方便。

- 缺點(diǎn)：不支持split。 

- 應(yīng)用場景： 當(dāng)每個(gè)文件壓縮之后在130M以內(nèi)的（1個(gè)塊大小內(nèi)），都可以考慮用gzip壓縮格式。

譬如說一天或者一個(gè)小時(shí)的日志壓縮成一個(gè)gzip文件，運(yùn)行mapreduce程序的時(shí)候通過多個(gè)gzip文件達(dá)到并發(fā)。

hive程序，streaming程序，和java寫的mapreduce程序完全和文本處理一樣，壓縮之后原來的程序不需要做任何修改。  

2. lzo壓縮

- 優(yōu)點(diǎn)： 

- 壓縮/解壓速度也比較快，合理的壓縮率； 

- 支持split，是hadoop中最流行的壓縮格式； 

- 支持hadoop native庫； - 可以在linux系統(tǒng)下安裝lzop命令，使用方便。 

- 缺點(diǎn)： 

- 壓縮率比gzip要低一些； 

- hadoop本身不支持，需要安裝； 

- 在應(yīng)用中對lzo格式的文件需要做一些特殊處理（為了支持split需要建索引，還需要指定inputformat為lzo格式）。

- 應(yīng)用場景： 一個(gè)很大的文本文件，壓縮之后還大于200M以上的可以考慮，而且單個(gè)文件越大，lzo優(yōu)點(diǎn)越明顯。

3. snappy壓縮

- 優(yōu)點(diǎn)： - 高速壓縮速度和合理的壓縮率；  

- 支持hadoop native庫。 

- 缺點(diǎn)： 

- 不支持split； 

- 壓縮率比gzip要低； 

- hadoop本身不支持，需要安裝； 

- linux系統(tǒng)下沒有對應(yīng)的命令。 

- 應(yīng)用場景： 當(dāng)mapreduce作業(yè)的map輸出的數(shù)據(jù)比較大的時(shí)候，作為map到reduce的中間數(shù)據(jù)的壓縮格式；

或者作為一個(gè)mapreduce作業(yè)的輸出和另外一個(gè)mapreduce作業(yè)的輸入。

4. bzip2壓縮

- 優(yōu)點(diǎn)： 

- 支持split； 

- 具有很高的壓縮率，比gzip壓縮率都高； 

- hadoop本身支持，但不支持native； 

- 在linux系統(tǒng)下自帶bzip2命令，使用方便。

- 缺點(diǎn)： 

- 壓縮/解壓速度慢； 

- 不支持native。

- 應(yīng)用場景： 適合對速度要求不高，但需要較高的壓縮率的時(shí)候，可以作為mapreduce作業(yè)的輸出格式； 

或者輸出之后的數(shù)據(jù)比較大，處理之后的數(shù)據(jù)需要壓縮存檔減少磁盤空間并且以后數(shù)據(jù)用得比較少的情況；

或者對單個(gè)很大的文本文件想壓縮減少存儲(chǔ)空間，同時(shí)又需要支持split，而且兼容之前的應(yīng)用程序（即應(yīng)用程序不需要修改）的情況。