关于几种压缩算法以及hadoop和hbase中的压缩配置说明

Hadoop中常用的压缩算法有bzip2、gzip、lzo、snappy，其中lzo、snappy需要操作系统安装native库才可以支持下面这张表，是比较官方一点的统计，不同的场合用不同的压缩算法。bzip2和GZIP是比较消耗CPU的，压缩比最高，GZIP不能被分块并行的处理；Snappy和LZO差不多，稍微胜出一点，cpu消耗的比GZIP少。通常情况下，想在CPU和IO之间取得平衡的话，用Snappy和lzo比较常见一些。Comparison between compression algorithms

Algorithm	% remaining	Encoding	Decoding
GZIP	13.4%	21 MB/s	118 MB/s
LZO	20.5%	135 MB/s	410 MB/s
Snappy	22.2%	172 MB/s	409 MB/s

对于数据格式为TextFile，Sequence，以及其他用户自定义的文件格式的文件，都可以采用以上的压缩算法进行压缩；TextFile在压缩以后，不能split，压缩出来的数据当做job的输入是一个文件作为一个map。SequenceFile本身是分块的，加上lzo的压缩格式，文件可以实现lzo方式的split操作，可以按照record、block进行压缩，一般采用block效率更高一些。
一、hadoop(hive)对mapreduce压缩参数设置
1、mapreduce的中间结果对压缩的支持方法一：hadoop
中 mapred-site.xml
<property> <name>mapred.compress.map.output</name>
<value>true</value>
</property><property> <name>mapred.map.output.compression.codec</name>
<value>com.hadoop.compression.lzo.LzoCodec</value>
</property>
方法二hive中hive-site.xml
<property> <name>hive.exec.compress.intermediate</name>
<value>true</value>
<description>Should the outputs of the maps be compressed before being
sent across the network. Uses SequenceFile compression.</description></property>
<property> <name>hive.intermediate.compression.codec</name>
<value>org.apache.hadoop.io.compress.LzoCodec</value>
<description>If the map outputs are compressed, how should they be
compressed?</description>
</property>
方法三
hive中shell
set
hive.exec.compress.intermediate=true;
set
hive.intermediate.compression.codec="org.apache.hadoop.io.compress.LzoCodec";
2、mapreduce的输出结果对压缩的支持hive-site.xml中配置：
<property> <name>hive.exec.compress.output</name>
<value>true</value>
<description>Should the job outputs be compressed?</description>
</property><property> <name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.LzoCodec</value>
<description>If the job outputs are compressed, how should they be compressed?</description>
</property>
或者在hadoop-site.xml中添加：
<property> <name>io.compression.codecs </name>
<value>org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.LzoCodec</value> <description>A list of the compression codec classes that can be used
for compression/decompression.</description>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
<description>Should the job outputs be compressed?</description></property><property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.LzoCodec</value>
<description>If the job outputs are compressed, how should they be compressed?</description></property>
二、HBASE对这三种压缩格式的支持HBase中可以对HFile进行gzip、lzo、snappy方式的压缩存储。1、对于gzip压缩的支持
hbase(main):001:0>
create 'testtable', { NAME => 'colfam1',
COMPRESSION => 'GZ' }或者alter
'testtable'，不过要先disable table，完成压缩后，再enable table2、对于lzo的支持，需要系统安装lzo动态库，以及hadoop
lzo相关的native库，后把native库jar文件copy到hadoop/lib/native 及
hbase/lib/native中
同时在core-site.xml中，配置lzo压缩
<property>
<name>io.compression.codecs</name>
<value>org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.DefaultCodec,com.hadoop.compression.lzo.LzoCodec,com.hadoop.compression.lzo.LzopCodec</value>
<description></description></property><property>
<name>io.compression.codec.lzo.class</name>
<value>com.hadoop.compression.lzo.LzoCodec</value>
<description></description></property>

org.apache.hadoop.io.compress.DefaultCodec是hadoop默认的zlib压缩hbase(main):001:0>
create 'testtable', { NAME => 'colfam1',
COMPRESSION => 'lzo'
}
3、对于synappy的支持，需要安装snappy，并且 将
hadoop-snappy-0.0.1-SNAPSHOT.tar.gz 的native中的动态静态链接库文件拷到hadoop以及hbase
lib的native下面，将hadoop-snappy-0.0.1-SNAPSHOT.jar考到hadoop 以及hbase
的lib下
在core-site.xml中，配置lzo压缩
<property>
<name>io.compression.codecs</name>
<value>org.apache.hadoop.io.compress.SnappyCodec</value>
<description></description></property>
hbase(main):001:0>
create 'testtable', { NAME => 'colfam1',
COMPRESSION => 'synappy' }