【hadoop】——HDFS解压缩实现

转载请注明出处：http://www.cnblogs.com/zhengrunjian/p/4527220.html 

所有源码在github上，https://github.com/lastsweetop/styhadoop

1简介

codec其实就是coder和decoder两个单词的词头组成的缩略词。CompressionCodec定义了压缩和解压接口，我们这里讲的codec就是实现了CompressionCodec接口的一些压缩格式的类，下面是这些类的列表：

 

2使用CompressionCodes解压缩

CompressionCodec有两个方法可以方便的压缩和解压。
压缩：通过createOutputStream(OutputStream out)方法获得CompressionOutputStream对象
解压：通过createInputStream(InputStream in)方法获得CompressionInputStream对象
压缩的示例代码
[java] view plaincopy
 
  1. package com.sweetop.styhadoop;  
  2.   
  3. import org.apache.hadoop.conf.Configuration;  
  4. import org.apache.hadoop.io.IOUtils;  
  5. import org.apache.hadoop.io.compress.CompressionCodec;  
  6. import org.apache.hadoop.io.compress.CompressionOutputStream;  
  7. import org.apache.hadoop.util.ReflectionUtils;  
  8.   
  9. /** 
  10.  * Created with IntelliJ IDEA. 
  11.  * User: lastsweetop 
  12.  * Date: 13-6-25 
  13.  * Time: 下午10:09 
  14.  * To change this template use File | Settings | File Templates. 
  15.  */  
  16. public class StreamCompressor {  
  17.     public static void main(String[] args) throws Exception {  
  18.         String codecClassName = args[0];  
  19.         Class<?> codecClass = Class.forName(codecClassName);  
  20.         Configuration conf = new Configuration();  
  21.         CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, conf);  
  22.   
  23.         CompressionOutputStream out = codec.createOutputStream(System.out);  
  24.         IOUtils.copyBytes(System.in, out, 4096, false);  
  25.         out.finish();  
  26.     }  
  27. }  
从命令行接受一个CompressionCodec实现类的参数，然后通过ReflectionUtils把实例化这个类，调用CompressionCodec的接口方法对标准输出流进行封装，封装成一个压缩流，通过IOUtils类的copyBytes方法把标准输入流拷贝到压缩流中，最后调用CompressionCodec的finish方法，完成压缩。
再来看下命令行：
[plain] view plaincopy
 
  1. echo "Hello lastsweetop" | ~/hadoop/bin/hadoop com.sweetop.styhadoop.StreamCompressor  org.apache.hadoop.io.compress.GzipCodec | gunzip -  
使用GzipCodec类来压缩“Hello lastsweetop”,然后再通过gunzip工具解压。
我们来看一下输出：
[plain] view plaincopy
 
  1. [exec] 13/06/26 20:01:53 INFO util.NativeCodeLoader: Loaded the native-hadoop library  
  2.     [exec] 13/06/26 20:01:53 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library  
  3.     [exec] Hello lastsweetop  

3使用CompressionCodecFactory解压缩

如果你想读取一个被压缩的文件的话，首先你得先通过扩展名判断该用哪种codec，可以看下【hadoop】——压缩工具比较中得对应关系。
当然有更简便得办法，CompressionCodecFactory已经帮你把这件事做了，通过传入一个Path调用它得getCodec方法,即可获得相应得codec。我们来看下代码
[java] view plaincopy
 
  1. package com.sweetop.styhadoop;  
  2.   
  3. import org.apache.hadoop.conf.Configuration;  
  4. import org.apache.hadoop.fs.FileSystem;  
  5. import org.apache.hadoop.fs.Path;  
  6. import org.apache.hadoop.io.IOUtils;  
  7. import org.apache.hadoop.io.compress.CompressionCodec;  
  8. import org.apache.hadoop.io.compress.CompressionCodecFactory;  
  9.   
  10. import java.io.IOException;  
  11. import java.io.InputStream;  
  12. import java.io.OutputStream;  
  13. import java.net.URI;  
  14.   
  15. /** 
  16.  * Created with IntelliJ IDEA. 
  17.  * User: lastsweetop 
  18.  * Date: 13-6-26 
  19.  * Time: 下午10:03 
  20.  * To change this template use File | Settings | File Templates. 
  21.  */  
  22. public class FileDecompressor {  
  23.     public static void main(String[] args) throws Exception {  
  24.         String uri = args[0];  
  25.         Configuration conf = new Configuration();  
  26.         FileSystem fs = FileSystem.get(URI.create(uri), conf);  
  27.   
  28.         Path inputPath = new Path(uri);  
  29.         CompressionCodecFactory factory = new CompressionCodecFactory(conf);  
  30.         CompressionCodec codec = factory.getCodec(inputPath);  
  31.         if (codec == null) {  
  32.             System.out.println("No codec found for " + uri);  
  33.             System.exit(1);  
  34.         }  
  35.         String outputUri = CompressionCodecFactory.removeSuffix(uri, codec.getDefaultExtension());  
  36.   
  37.         InputStream in = null;  
  38.         OutputStream out = null;  
  39.   
  40.         try {  
  41.             in = codec.createInputStream(fs.open(inputPath));  
  42.             out = fs.create(new Path(outputUri));  
  43.             IOUtils.copyBytes(in,out,conf);  
  44.         } finally {  
  45.             IOUtils.closeStream(in);  
  46.             IOUtils.closeStream(out);  
  47.         }  
  48.     }  
  49. }  

注意看下removeSuffix方法，这是一个静态方法，它可以将文件的后缀去掉，然后我们将这个路径做为解压的输出路径。CompressionCodecFactory能找到的codec也是有限的，默认只有三种org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.DefaultCodec,如果想添加其他的codec你需要更改io.compression.codecs属性，并注册codec。
 

4原生库

现在越来越多原生库的概念，hdfs的codec也不例外，原生库可以极大的提升性能比如gzip的原生库解压提高50%，压缩提高10%，但不是所有codec都有原生库的，而一些codec只有原生库。我们来看下列表：
linux下，hadoop以前提前编译好了32位的原生库和64位的原生库，我们看下：
[plain] view plaincopy
 
  1. [hadoop@namenode native]$pwd  
  2. /home/hadoop/hadoop/lib/native  
  3. [hadoop@namenode native]$ls -ls  
  4. total 8  
  5. 4 drwxrwxrwx 2 root root 4096 Nov 14  2012 Linux-amd64-64  
  6. 4 drwxrwxrwx 2 root root 4096 Nov 14  2012 Linux-i386-32  
如果是其他平台的话，你就需要自己编译了，详细步骤请看这里http://wiki.apache.org/hadoop/NativeHadoop
java原生库的路径可以通过java.library.path指定，在bin目录下，hadoop的启动脚本已经指定，如果你不用这个脚本，那么你就需要在你的程序中指定了，hadoop脚本中指定原生库路径的片段：
[plain] view plaincopy
 
  1. if [ -d "${HADOOP_HOME}/build/native" -o -d "${HADOOP_HOME}/lib/native" -o -e "${HADOOP_PREFIX}/lib/libhadoop.a" ]; then  
  2.   
  3.   if [ -d "$HADOOP_HOME/build/native" ]; then  
  4.     JAVA_LIBRARY_PATH=${HADOOP_HOME}/build/native/${JAVA_PLATFORM}/lib  
  5.   fi  
  6.   
  7.   if [ -d "${HADOOP_HOME}/lib/native" ]; then  
  8.     if [ "x$JAVA_LIBRARY_PATH" != "x" ]; then  
  9.       JAVA_LIBRARY_PATH=${JAVA_LIBRARY_PATH}:${HADOOP_HOME}/lib/native/${JAVA_PLATFORM}  
  10.     else  
  11.       JAVA_LIBRARY_PATH=${HADOOP_HOME}/lib/native/${JAVA_PLATFORM}  
  12.     fi  
  13.   fi  
  14.   
  15.   if [ -e "${HADOOP_PREFIX}/lib/libhadoop.a" ]; then  
  16.     JAVA_LIBRARY_PATH=${HADOOP_PREFIX}/lib  
  17.   fi  
  18. fi  
hadoop会去查找对应的原生库，并且自动加载，你不需要关心这些设置。但某些时候你不想使用原生库，比如调试一些bug的时候，那么可以通过hadoop.native.lib设置为false来实现。
如果你用原生库做大量的压缩和解压的话可以考虑用CodecPool,有点像连接池，这样你就无需频繁的去创建codec对象。
[java] view plaincopy
 
  1. package com.sweetop.styhadoop;  
  2.   
  3. import org.apache.hadoop.conf.Configuration;  
  4. import org.apache.hadoop.io.IOUtils;  
  5. import org.apache.hadoop.io.compress.CodecPool;  
  6. import org.apache.hadoop.io.compress.CompressionCodec;  
  7. import org.apache.hadoop.io.compress.CompressionOutputStream;  
  8. import org.apache.hadoop.io.compress.Compressor;  
  9. import org.apache.hadoop.util.ReflectionUtils;  
  10.   
  11. /** 
  12.  * Created with IntelliJ IDEA. 
  13.  * User: lastsweetop 
  14.  * Date: 13-6-27 
  15.  * Time: 上午11:53 
  16.  * To change this template use File | Settings | File Templates. 
  17.  */  
  18. public class PooledStreamCompressor {  
  19.     public static void main(String[] args) throws Exception {  
  20.         String codecClassName = args[0];  
  21.         Class<?> codecClass = Class.forName(codecClassName);  
  22.         Configuration conf = new Configuration();  
  23.         CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, conf);  
  24.         Compressor compressor = null;  
  25.         try {  
  26.             compressor = CodecPool.getCompressor(codec);  
  27.             CompressionOutputStream out = codec.createOutputStream(System.out, compressor);  
  28.             IOUtils.copyBytes(System.in, out, 4096, false);  
  29.             out.finish();  
  30.         } finally {  
  31.             CodecPool.returnCompressor(compressor);  
  32.         }  
  33.     }  
  34. }  
代码比较容易理解，通过CodecPool的getCompressor方法获得Compressor对象，该方法需要传入一个codec，然后Compressor对象在createOutputStream中使用，使用完毕后再通过returnCompressor放回去。
输出结果如下：
[plain] view plaincopy
 
  1.     [exec] 13/06/27 12:00:06 INFO util.NativeCodeLoader: Loaded the native-hadoop library  
  2.     [exec] 13/06/27 12:00:06 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library  
  3.     [exec] 13/06/27 12:00:06 INFO compress.CodecPool: Got brand-new compressor  
  4.     [exec] Hello lastsweetop  　　

    转载请注明出处：http://blog.csdn.net/lastsweetop/article/details/9173061

posted @ 2015-05-25 10:14  数据手艺人  阅读(984)  评论(0)  编辑  收藏  举报