Hadoop中最不容错过的压缩知识

  随着大数据时代的来临，数据体量越来越大，处理这些数据会越来越受到网络IO的限制，为了尽可能多的处理更多的数据我们必须使用压缩。那么压缩在Hadoop里面是不是所有格式都适用呢？它都有哪些性能呢？

压缩在sqoop里面可以做，在hive和impala里面也可以做。那么什么情况下我们会用压缩呢？通常在数据量非常大，我们通过压缩去减小数据量，从而达到将来去使用数据的时候，减少数据传输IO的情况下去使用。压缩对于性能的提升以及存储效率的提高也有作用。

一、数据压缩

每种文件格式都支持压缩，压缩将减少磁盘空间的占用。但是压缩本身会带来CPU的一些开销，所以压缩需要在CPU时间和带宽/存储空间之间进行权衡。比如：

（1）有些算法会花费很长的时间，但节省更多的空间.

（2）有些算法更快，但节省的空间有限。

这个怎么来理解呢？我们打个比方，假如说1T的数据压缩成100G，可能需要10分钟。如果压缩成500G可能需要1分钟。请问你选择那种方式？所以我们就需要在CPU时间和带宽之间进行一个权衡，当然这里不存在哪种方式的好坏，只是我们根据自己使用的需求去选择。

另外，压缩对性能很有好处：很多Hadoop作业是受IO限制的，使用压缩可以每个IO操作处理更多的数据，压缩也可以改进网络传输的性能。

二、压缩Codecs

压缩算法的实现被称为codec，是Compressor/Decompressor的简写。很多codecs在Hadoop中很常用，每种都有不同的性能特性。但是，不是所有的Hadoop工具都是跟所有codecs兼容的。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。

在这里我们看一下不同压缩工具的性能：

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。这里我重点推荐使用Snappy,因为它可以提供很好地压缩性能，而且压缩的数据是可以分片的，对于后期的运行处理有很大的作用。

另外要注意：对于热数据，速度更重要，1秒压缩40%的数据比10秒压缩80%的数据更好。

三、Sqoop使用压缩

Sqoop使用--compression-codec标志

示例：

--compression-codec
org.apache.hadoop.io.compress.SnappyCodec

四、Impala和Hive使用压缩

Impala和Hive使用压缩，需要我们在创建表的语法中去指定。可能对于不同的压缩而言，我们指定的属性和语法会有不同。

注意：Impala在内存里查询数据-压缩和解压缩都在内存

Impala示例：

建议大家平时多关注一些大数据的相关知识，不断提升和改善自己的知识架构，我自己平时喜欢看“大数据cn”这个微信公众号，里面内容对于我而言很不错，也推荐大家看看。