压缩

为什么要压缩？

       1）减少磁盘的存储空间

       2）减少网络和磁盘的IO

       3)  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

压缩的局限性

每次使用数据时需要先将数据解压，加重CPU负荷。

压缩格式

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示

选择压缩算法需通过以下三个指标：

1）是否可切分？

由上表可看出， bzip2支持切分， LZO在设置索引后也是支持切分。

2）压缩比

以压缩比做评估，由好到差依次为： BIZP2>GZIP>LZ4 ≈ LZO ≈ SNAPPY

3）压缩性能

以压缩性能作为评估，由好到差依次为：Snappy>LZ4>LZO>GZIP>BZIP2

可以看出， 压缩比越优秀的，压缩性能就越差。

压缩格式各自优缺点

gzip

优点：
压缩比在四种压缩方式中较高；hadoop本身支持，在应用中处理gzip格式的文件就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

缺点：
不支持split

lzo

优点：
压缩/解压速度也比较快，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

缺点：
压缩率比gzip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

优点：
压缩速度快；支持hadoop native库

缺点：
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

bzip2

优点：
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系统下自带bzip2命令，使用方便

缺点：
压缩/解压速度慢；不支持native。

压缩在hadoop中的应用 

根据MR的执行流程，详见https://mp.csdn.net/postedit/88049264。

大致如下：

待续

在hadoop中启用压缩（mapred-site.xml）

在Hive中启动压缩（临时启动，通过上述方式修改配置文件也可以开启压缩）

启用map阶段压缩：

1）开启hive中间传输数据压缩功能
hive >set hive.exec.compress.intermediate=true;
2）开启mapreduce中map输出压缩功能
hive >set mapreduce.map.output.compress=true;
3）设置mapreduce中map输出数据的压缩方式
hive >set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;

启用reduce阶段压缩：

1）开启hive最终输出数据压缩功能
hive >set hive.exec.compress.output=true;
2）开启mapreduce最终输出数据压缩
hive >set mapreduce.output.fileoutputformat.compress=true;
3）设置mapreduce最终数据输出压缩方式
hive > set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
4）设置mapreduce最终数据输出压缩为块压缩
hive >set mapreduce.output.fileoutputformat.compress.type=BLOCK;

注：通过hive.exec.compress.output参数启用hive压缩， 默认是false。

总结

    不同的场景选择不同的压缩方式，肯定没有一个一劳永逸的方法，如果选择高压缩比，那么对于cpu的性能要求要高，同时压缩、解压时间耗费也多；选择压缩比低的，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。

存储

列式存储与行式存储

行存储的特点： 查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。

列存储的特点： 因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；

ORC和PARQUET是基于列式存储的。

TEXTFILE格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用(系统自动检查，执行查询时自动解压)，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

ORC格式

Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。

可以看到每个Orc文件由1个或多个stripe组成，每个stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data,Row Data,Stripe Footer：

   1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引只是记录某行的各字段在Row Data中的offset。

    2）Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个Stream来存储。

    3）Stripe Footer：存的是各个Stream的类型，长度等信息。

每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。

PARQUET格式

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。

Parquet文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此Parquet格式文件是自解析的。

通常情况下，在存储Parquet数据的时候会按照Block大小设置行组的大小，由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block，这样可以把每一个行组由一个Mapper任务处理，增大任务执行并行度。Parquet文件的格式如下图所示。

上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是否是一个Parquet文件，Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页。

最后

以上就是舒心夏天为你收集整理的大数据压缩与存储压缩存储的全部内容，希望文章能够帮你解决大数据压缩与存储压缩存储所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。