Hadoop数据压缩技术
一、Hadoop数据压缩及其优缺点
1、压缩技术的好处与坏处
好处：
- 减少存储磁盘空间
- 降低IO（网络的IO和磁盘的IO）
- 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：
- 由于使用数据时，需要先将数据解压，加重了CPU的负荷。
使用压缩的基本原则：
- 运算密集型的job，少用压缩
- IO密集型的job，多用压缩
2、压缩格式
| 压缩格式 | Hadoop自带 | 算法 | 文件扩展名 | 是否可以切分 | 工具 | Hadoop编码/解码器 |
| Default | 是，直接使用 | Default | .deflate | 否 | N/A | org.apache.hadoop.io.compress.DefaultCodec |
| Gzip | 是，直接使用 | Default | .gz | 否 | gzip | org.apache.hadoop.io.compress.GzipCodec |
| bzip | 是，直接使用 | bzip2 | .bz2 | 是 | bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
| LZO | 否，需要安装 | LZO | .lzo | 是 | Lzop | com.hadoop.compression.lzo.LzopCodec |
| LZ4 | 否，需要安装 | lZ4 | .lz4 | 否 | N/A | com.hadoop.compression.lzo.Lz4Codec |
| Snappy | 否，需要安装 | Snappy |
.snappy |
否 | N/A | org.apache.hadoop.io.compress.SnappyCodec |
3、优缺点
| 压缩格式 | 优点 | 缺点 |
| gzip |
压缩比在四种压缩方式中比较高；hadoop本身支持，在应用中处理gizp格式的文件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。 |
不支持split |
| lzo | 压缩/解压速度也比加快，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 | 压缩率比gizp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） |
| snappy | 压缩速度快；支持hadoop native库 | 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 |
| bzip2 | 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系统自带bzip2命令，使用方便 | 压缩/解压速度慢；不支持native |
二、总结
1、不同的场景选择不同的压缩方式，如果选择高压缩比，那么对于cpu的性能要求要高，同事压缩/解压耗时也长；
2、选择压缩比低，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：一般用在HDFS、Hive、HBase中会使用，一般较多的是结合Spark来一起使用。
