Hadoop MapReduce中压缩技术的使用

Compression and Input Splits

当我们使用压缩数据作为MapReduce的输入时，需要确认数据的压缩格式是否支持切片？

假设HDFS中有一个未经压缩的大小为1GB的文本文件，如果HDFS Block大小为128MB，那么这个文件会被HDFS存储为8个Block。当MapReduce Job使用这个文件作为输入时将会创建8个切片（默认每一个Block生成一个切片），每一个切片关联的数据都可以被一个Map Task独立地处理。

如果这个文本文件使用Gzip格式压缩，大小仍为1GB，如前所述，它也会被HDFS存储为8个Block。可是当MapReduce Job使用这个文件作为输入时，为每一个Block生成一个切片是不可行的，取而代之的是整个文件将作为一个切片被一个Map Task所处理。

Gzip使用DEFLATE存储压缩数据，DEFLATE将数据存储为一系列的压缩数据块，可是这些压缩数据块的边界是无法区分的，导致在数据流中无法定位某个数据块的起始位置。也就是说，我们无法随意地指定一个位置（该位置不一定恰好是某数据块的起始位置），然后移动到下一个数据块的起始位置读取数据。基本这个原因，Gzip格式的文件是不支持切片的。

对于这种情况，MapReduce是可以作出正确处理的，通过文件后缀名（文件后缀名直接影响压缩数据格式的判断）可以判断出这个文件是以Gzip格式进行压缩的，不支持切片，会将整个文件作为一个切片进行处理。但这样做是有很大代价的，一个Map Task要处理整个文件的数据，而且大部分数据并不是“数据本地性”的。

如果这个文本文件使用LZO格式压缩，同样的问题也会存在，但是Hadoop LZO Library提供了一个用于预处理LZO文件的切片索引工具，可以简单地认为生成的索引文件中保存着各个切片的起始位置，再配合合适的InputFormat（如：LzoTextInputFormat），运行MapReduce Job时就可以支持切片。

Bzip2的各个数据块之间存放有专门的“Synchronization Marker”，因此它是可以支持切片的。

Hadoop通常处理的都是大规模的数据集，因此我们必须尽可能的利用压缩优化性能。具体使用哪一个压缩格式依赖于文件大小、文件格式以及我们使用的分析工具。以下是一些使用建议：

（1）使用一些容器文件格式，如Sequence File、Avro DataFile、ORCFile、Parquet File，这些文件格式全部支持压缩和切片，配合一个快速的压缩算法（如：LZO、LZ4、Snappy）使用通常是一个好的选择；

（2）使用一个支持切片的压缩算法，如bzip2、lzo（通过索引处理之后可以支持切片）；

（3）将一个文件人为地切分为Chunk（即一个文件被切分为多个文件），然后将这些Chunks逐个的进行压缩，可以使用任意支持的压缩算法，且不需要考虑压缩算法是否支持切片，但是Chunk压缩后的大小需要接近于HDFS Block的大小；

（4）文件不作压缩处理。

对于大型的文件，我们不能选择不支持切片的压缩算法，因为这会导致MapReduce Job丧失数据本地性且运行效率低下。

Using Compression in MapReduce

MapReduce读取输入路径中的压缩文件时会自动完成数据解压（可参考CompressionCodecFactory）。

如果MapReduce Job的结果输出需要使用压缩，可以通过设置Job的相关配置属性来实现：

mapreduce.output.fileoutputformat.compress：true

mapreduce.output.fileoutputformat.compress.codec：CompressionCodec全限定类名

也可以通过FileOutputFormat提供的静态方法设置，如：

FileOutputFormat.setCompressOutput(job, true);
FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);

不同的输出文件格式可能相应的设置属性会有不同。

Compressing map output

Map Task的输出被写出到本地磁盘，而且需要通过网络传输至Reduce Task的节点，只要简单地使用一个快速的压缩算法（如LZO、LZ4、Snappy）就可以带来性能的提升，因为压缩机制的使用避免了Map Tasks与Reduce Tasks之间大量中间结果数据被传输。可以通过设置相应的Job配置属性开启：

mapreduce.map.output.compress：true

mapreduce.map.output.compress.codec：CompressionCodec全限定类名

也可以通过Configuration API进行设置：

new API：

Configuration conf = new Configuration();
conf.setBoolean(Job.MAP_OUTPUT_COMPRESS, true);
conf.setClass(Job.MAP_OUTPUT_COMPRESS_CODEC, GzipCodec.class, CompressionCodec.class);
Job job = new Job(conf);

old API：

conf.setCompressMapOutput(true);
conf.setMapOutputCompressorClass(GzipCodec.class);