[SequenceFile_4] SequenceFile 配置压缩

---

0. 说明

　　SequenceFile 配置压缩编解码器 && 压缩类型的选型

---

1. SequenceFile 配置压缩编解码器

package hadoop.compression;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.BZip2Codec;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.Lz4Codec;
import org.apache.hadoop.util.ReflectionUtils;
import org.junit.Test;

/**
 * SequenceFile 配置压缩编解码器
 */
public class TestSeqFileCompression {
    /**
     * 测试 SequenceFile 配置压缩编解码器进行压缩
     */
    @Test
    public void testWriteSeq() throws Exception {

        Configuration conf = new Configuration();

        // 设置文件系统为本地模式
        conf.set("fs.defaultFS", "file:///");

        FileSystem fs = FileSystem.get(conf);

        // 通过反射获取 CompressionCodec 对象
        // BZip2Codec.class  /  Lz4Codec.class
//        BZip2Codec codec = ReflectionUtils.newInstance(BZip2Codec.class, conf);
        Lz4Codec codec = ReflectionUtils.newInstance(Lz4Codec.class, conf);

//        Path path = new Path("E:/test/bz2.seq");
        Path path = new Path("E:/test/lz4.seq");

        // 块压缩
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, path, IntWritable.class, Text.class, SequenceFile.CompressionType.BLOCK, codec);

        for (int i = 1; i <= 1000000; i++) {
            IntWritable key = new IntWritable(i);
            Text value = new Text("helloworld" + i);

            writer.append(key, value);

        }

        writer.close();
    }

}

---

2. 压缩类型的选型

　　1. 使用 SequenceFile 等容器文件格式(SequenceFile | Avro 数据文件 | ORCFiles | Parquet 文件) + 快速压缩工具(LZO | LZ4 | Snappy)

　　效率最高

　　2. 使用支持切分的压缩格式(bzip2 | LZO)，即支持逻辑切割的压缩格式
　　　　LZO只有在添加索引的时候才支持切割，即 LZO 文件的预处理

package hadoop.compression;

import com.hadoop.compression.lzo.LzoIndexer;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;

/**
 * LZO 文件的预处理，即在使用 LZO 文件之前添加索引
 */
public class TestLzoIndex {
    public static void main(String[] args) throws Exception {
        Configuration conf = new Configuration();
        // 压缩编解码器必须是此类或其子类
        conf.set("io.compression.codecs","com.hadoop.compression.lzo.LzopCodec");
        LzoIndexer indexer = new LzoIndexer(conf);
        indexer.index(new Path("file:///E:/test/codec/sdata.txt.lzo"));
    }
}

　　3. 将文本文件(待处理的文件)进行预切割，在每个文件段下进行压缩

　　4. 存储未压缩的文件，效率最低

---