Hive快速入门系列(12) | Hive的数据压缩介绍及使用

2020-10-28 16:16:14 浏览数 (1)

  此次博主为大家带来的是Hive的数据压缩介绍及使用。

一. Hadoop源码编译支持Snappy压缩

1.1 资源准备

  • 1．CentOS联网

配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的 注意：采用root角色编译，减少文件夹权限出现问题

  1. 2．jar包准备(hadoop源码、JDK8 、maven、protobuf)

（1）hadoop-2.7.2-src.tar.gz （2）jdk-8u144-linux-x64.tar.gz （3）snappy-1.1.3.tar.gz （4）apache-maven-3.0.5-bin.tar.gz （5）protobuf-2.5.0.tar.gz

如果需要这些文件可自行通过博主分享的链接下载： 链接：https://pan.baidu.com/s/19lM5UgctzCgEkF5S7ZKBtA 提取码：drql

1.2 jar包安装

注意：所有操作必须在root用户下完成

  • 1．JDK解压、配置环境变量JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)
代码语言：javascript复制
[root@hadoop001 software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
[root@hadoop001 software]# vi /etc/profile
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin
[root@hadoop001 software]#source /etc/profile

验证命令：java -version

  • 2．Maven解压、配置 MAVEN_HOME和PATH
代码语言：javascript复制
[root@hadoop001 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@hadoop001 apache-maven-3.0.5]# vi /etc/profile
#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin
[root@hadoop001 software]#source /etc/profile

验证命令：mvn -version

1.3 编译源码

  • 1．准备编译环境
代码语言：javascript复制
[root@hadoop001 software]# yum install svn
[root@hadoop001 software]# yum install autoconf automake libtool cmake
[root@hadoop001 software]# yum install ncurses-devel
[root@hadoop001 software]# yum install openssl-devel
[root@hadoop001 software]# yum install gcc*
  • 2．编译安装snappy
代码语言：javascript复制
[root@hadoop001 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
[root@hadoop001 module]# cd snappy-1.1.3/
[root@hadoop001 snappy-1.1.3]# ./configure
[root@hadoop001 snappy-1.1.3]# make
[root@hadoop001 snappy-1.1.3]# make install
# 查看snappy库文件
[root@hadoop001 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
  • 3．编译安装protobuf
代码语言：javascript复制
[root@hadoop001 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[root@hadoop001 module]# cd protobuf-2.5.0/
[root@hadoop001 protobuf-2.5.0]# ./configure 
[root@hadoop001 protobuf-2.5.0]#  make 
[root@hadoop001 protobuf-2.5.0]#  make install
# 查看protobuf版本以测试是否安装成功
[root@hadoop001 protobuf-2.5.0]# protoc --version
  • 4．编译hadoop native
代码语言：javascript复制
[root@hadoop001 software]# tar -zxvf hadoop-2.7.2-src.tar.gz
[root@hadoop001 software]# cd hadoop-2.7.2-src/
[root@hadoop001 software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。

二. Hadoop压缩配置

2.1 MR支持的压缩编码

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

是

Snappy

无

Snappy

.snappy

否

  • 为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器:

压缩格式

对应的编码/解码器

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

Snappy

org.apache.hadoop.io.compress.SnappyCodec

  • 压缩性能的比较

压缩算法

原始文件大小

压缩文件大小

压缩速度

解压速度

gzip

8.3GB

1.8GB

17.5MB/s

58MB/s

bzip2

8.3GB

1.1GB

2.4MB/s

9.5MB/s

LZO

8.3GB

2.9GB

49.3MB/s

74.6MB/s

在此，我并没有写Snappy，下面我们先看到snappy的开源网站上看看。 http://google.github.io/snappy/

代码语言：javascript复制
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

  我们可以看到snappy压缩达到了250MB/s,解压达到了500MB/s,这性能直接碾压上面所列举的那几个!所以snappy也常作为企业数据压缩格式!

2.2 压缩参数配置

  要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

参数

默认值

阶段

建议

io.compression.codecs （在core-site.xml中配置）

org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec

输入压缩

Hadoop使用文件扩展名判断是否支持某种编解码器

mapreduce.map.output.compress

false

mapper输出

这个参数设为true启用压缩

mapreduce.map.output.compress.codec

org.apache.hadoop.io.compress.DefaultCodec

mapper输出

使用LZO、LZ4或snappy编解码器在此阶段压缩数据

mapreduce.output.fileoutputformat.compress

false

reducer输出

这个参数设为true启用压缩

mapreduce.output.fileoutputformat.compress.codec

org.apache.hadoop.io.compress. DefaultCodec

reducer输出

使用标准工具或者编解码器，如gzip和bzip2

mapreduce.output.fileoutputformat.compress.type

RECORD

reducer输出

SequenceFile输出使用的压缩类型：NONE和BLOCK

三. 开启Map输出阶段压缩

  开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下：

案例实操：

  • 1. 开启hive中间传输数据压缩功能
代码语言：javascript复制
hive (default)>set hive.exec.compress.intermediate=true;
  • 2. 开启mapreduce中map输出压缩功能
代码语言：javascript复制
hive (default)>set mapreduce.map.output.compress=true;
  • 3. 设置mapreduce中map输出数据的压缩方式
代码语言：javascript复制
hive (default)>set mapreduce.map.output.compress.codec=
 org.apache.hadoop.io.compress.SnappyCodec;
  • 4. 执行查询语句
代码语言：javascript复制
hive (default)> select count(ename) name from emp;

四. 开启Reduce输出阶段压缩

  当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能。

案例实操：

  • 1. 开启hive最终输出数据压缩功能
代码语言：javascript复制
hive (default)>set hive.exec.compress.output=true;
  • 2. 开启mapreduce最终输出数据压缩
代码语言：javascript复制
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
  • 3. 设置mapreduce最终数据输出压缩方式
代码语言：javascript复制
hive (default)> 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
代码语言：javascript复制
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
  • 5. 测试一下输出结果是否是压缩文件
代码语言：javascript复制
hive (default)> insert overwrite local directory
 '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

  本次的分享就到这里了

文件存储 编程算法 打包 hadoop mapreduce

0 人点赞