shuffle当中的数据压缩

为什么要压缩？

在shuffle阶段，可以看到数据通过大量的拷贝，从map阶段输出的数据，都要通过网络拷贝，发送到reduce阶段，这一过程中，涉及到大量的网络IO，如果数据能够进行压缩，那么数据的发送量就会少得多，而且也不会占用那么多本地磁盘空间。

压缩步骤大致处于mapreduce流程中的位置：input--》mapper--》shuffle--》partitioner、sort、combiner、【compress】、group--》reducer--》output

那么如何配置hadoop的文件压缩呢，以及hadoop当中的文件压缩支持哪些压缩算法呢？？

hadoop当中支持的压缩算法

文件压缩有两大好处，节约磁盘空间，加速数据在网络和磁盘上的传输

我们可以使用bin/hadoop checknative 来查看我们编译之后的hadoop支持的各种压缩，如果出现openssl为false，那么就在线安装一下依赖包

[hadoop@node01 ~]$ hadoop checknative
20/02/15 13:55:55 INFO bzip2.Bzip2Factory: Successfully loaded & initialized native-bzip2 library system-native
20/02/15 13:55:55 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop:  true /kkb/install/hadoop-2.6.0-cdh5.14.2/lib/native/libhadoop.so.1.0.0
zlib:    true /lib64/libz.so.1
snappy:  true /lib64/libsnappy.so.1
lz4:     true revision:10301
bzip2:   true /lib64/libbz2.so.1
openssl: true /lib64/libcrypto.so

可以看到，我们的hadoop经过编译后已经支持所有的压缩格式了，剩下的问题就是我们该如何选择使用这些压缩格式来对我们的MapReduce程序进行压缩。

压缩格式详情如下：

压缩格式	工具	算法	文件扩展名	是否可切分
`DEFLATE`	无	`DEFLATE`	`.deflate`	否
`Gzip`	`gzip`	`DEFLATE`	`.gz`	否
`bzip2`	`bzip2`	`bzip2`	`bz2`	是
`LZO`	`lzop`	`LZO`	`.lzo`	否
`LZ4`	无	`LZ4`	`.lz4`	否
`Snappy`	无	`Snappy`	`.snappy`	否

从上图可以看到，上面有些压缩算法是不支持切分的，所以，无论压缩后的压缩文件有没有大于128M，这个压缩文件都只会被当作一个切片处理。

各种压缩算法对应使用的java类：

压缩格式	对应使用的java类
`DEFLATE`	`org.apache.hadoop.io.compress.DeFaultCodec`
`gzip`	`org.apache.hadoop.io.compress.GZipCodec`
`bzip2`	`org.apache.hadoop.io.compress.BZip2Codec`
`LZO`	`com.hadoop.compression.lzo.LzopCodec`
`LZ4`	`org.apache.hadoop.io.compress.Lz4Codec`
`Snappy`	`org.apache.hadoop.io.compress.SnappyCodec`

常见的压缩速率比较:

压缩算法	原始文件大小	压缩后的文件大小	压缩速度	解压缩速度
gzip	8.3GB	1.8GB	17.5MB/s	58MB/s
bzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/s
LZO-bset	8.3GB	2GB	4MB/s	60.6MB/s
LZO	8.3GB	2.9GB	135 MB/s	410 MB/s
snappy	8.3GB	1.8GB	172MB/s	409MB/s

常用的压缩算法主要有LZO和snappy

开启压缩的方式

方式一：在main()方法中进行设置

//设置我们的map阶段的压缩
Configuration conf = new Configuration();
conf.set("mapreduce.map.output.compress","true");
conf.set("mapreduce.map.output.compress.codec","org.apache.hadoop.io.compress.SnappyCodec");

//设置我们的reduce阶段的压缩
conf.set("mapreduce.output.fileoutputformat.compress","true");
conf.set("mapreduce.output.fileoutputformat.compress.type","RECORD");
//上面这行代码只有在输出文件的格式是SequenceFile时才会起作用
conf.set("mapreduce.output.fileoutputformat.compress.codec","org.apache.hadoop.io.compress.SnappyCodec");

方式二：修改mapred-site.xml

我们可以修改mapred-site.xml配置文件，然后重启集群，以便对所有的mapreduce任务进行压缩

对map输出数据进行压缩：

<property>
	<name>mapreduce.map.output.compress</name>
	<value>true</value>
</property>
<property>
	<name>mapreduce.map.output.compress.codec</name>
	<value>org.apache.hadoop.io.compress.SnappyCodec</value>
</property>

对reduce输出数据进行压缩：

<property>    
	<name>mapreduce.output.fileoutputformat.compress</name>
	<value>true</value>
</property>
<property>    
	<name>mapreduce.output.fileoutputformat.compress.type</name>
	<value>RECORD</value>
</property>
<property>    
	<name>mapreduce.output.fileoutputformat.compress.codec</name>
	<value>org.apache.hadoop.io.compress.SnappyCodec</value> 
</property>

所有节点都要修改mapred-site.xml，修改完成之后记得重启集群

案例运行

把分区例子拿到集群运行，并修改mapred-site.xml，使得对reduce的输出进行压缩。运行后的输出文件如下，可以看到，part-r-文件的后缀时.snappy

Hadoop（21）shuffle当中的数据压缩