hadoop深入研究:(九)---mapreduce中的压缩

mapreduce如何处理压缩文件？
当mapreduce的输出文件需要压缩时，该如何设置？
对map任务的中间输出作压缩，该设置那两种属性？

作为输入
当压缩文件做为mapreduce的输入时，mapreduce将自动通过扩展名找到相应的codec对其解压。

作为输出        

当mapreduce的输出文件需要压缩时，可以更改mapred.output.compress为true，mapped.output.compression.codec为想要使用的codec的类名就
可以了，当然你可以在代码中指定，通过调用FileOutputFormat的静态方法去设置这两个属性，我们来看代码：

package com.sweetop.styhadoop;  
  
import org.apache.hadoop.fs.Path;  
import org.apache.hadoop.io.IntWritable;  
import org.apache.hadoop.io.Text;  
import org.apache.hadoop.io.compress.GzipCodec;  
import org.apache.hadoop.mapreduce.Job;  
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;  
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;  
  
import java.io.IOException;  
  
/** 
 * Created with IntelliJ IDEA. 
 * User: lastsweetop 
 * Date: 13-6-27 
 * Time: 下午7:48 
 * To change this template use File | Settings | File Templates. 
 */  
public class MaxTemperatureWithCompression {  
    public static void main(String[] args) throws Exception {  
        if (args.length!=2){  
            System.out.println("Usage: MaxTemperature <input path> <out path>");  
            System.exit(-1);  
        }  
        Job job=new Job();  
        job.setJarByClass(MaxTemperature.class);  
        job.setJobName("Max Temperature");  
  
        FileInputFormat.addInputPath(job, new Path(args[0]));  
        FileOutputFormat.setOutputPath(job, new Path(args[1]));  
  
        job.setMapperClass(MaxTemperatrueMapper.class);  
        job.setCombinerClass(MaxTemperatureReducer.class);  
        job.setReducerClass(MaxTemperatureReducer.class);  
  
        job.setOutputKeyClass(Text.class);  
        job.setOutputValueClass(IntWritable.class);  
  
        FileOutputFormat.setCompressOutput(job, true);  
        FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);  
  
        System.exit(job.waitForCompletion(true)?0:1);  
  
    }  
}  
复制代码

输入也是一个压缩文件

~/hadoop/bin/hadoop com.sweetop.styhadoop.MaxTemperatureWithCompression   input/data.gz  output/  
复制代码

输出的每一个part都会被压缩，我们这里只有一个part，看下压缩了的输出

[hadoop@namenode test]$hadoop fs -get output/part-r-00000.gz .  
[hadoop@namenode test]$ls  
1901  1902  ch2  ch3  ch4  data.gz  news.gz  news.txt  part-r-00000.gz  
[hadoop@namenode test]$gunzip -c part-r-00000.gz   
复制代码

如果你要将序列文件做为输出，你需要设置mapred.output.compression.type属性来指定压缩类型，默认是RECORD类型，它会按单个的record压缩，如果指定为BLOCK类型，它将一组record压缩，压缩效果自然是BLOCK好。
当然代码里也可以设置，你只需调用SequenceFileOutputFormat的setOutputCompressionType方法进行设置。

SequenceFileOutputFormat.setOutputCompressionType(job, SequenceFile.CompressionType.BLOCK);  
复制代码

如果你用Tool接口来跑mapreduce的话，可以在命令行设置这些参数，明显比硬编码好很多

压缩map输出
即使你的mapreduce的输入输出都是未压缩的文件，你仍可以对map任务的中间输出作压缩，因为它要写在硬盘并且通过网络传输到reduce节点，对其压缩可以提高很多性能，这些工作也是只要设置两个属性即可，我们看下代码里怎么设置：

    Configuration conf = new Configuration();  
    conf.setBoolean("mapred.compress.map.output", true);  
    conf.setClass("mapred.map.output.compression.codec",GzipCodec.class, CompressionCodec.class);  
    Job job=new Job(conf);  
复制代码

转载请注明出处：http://blog.csdn.net/lastsweetop/article/details/9187721