【转】hadoop2.6 配置lzo压缩

【转自】http://my.oschina.net/u/1169079/blog/225070

经常用于处理大量的数据，如果期间的输出数据、中间数据能压缩存储，对系统的I/O性能会有提升。综合考虑压缩、解压速度、是否支持split，目前lzo是最好的选择。LZO（LZO是Lempel-Ziv-Oberhumer的缩写）是一种高压缩比和解压速度极快的编码，它的特点是解压缩速度非常快，无损压缩，压缩后的数据能准确还原，lzo是基于block分块的，允许数据被分解成chunk，能够被并行的解压。LZO库实现了许多有下述特点的算法：
　　（1）、解压简单，速度非常快。
　　（2）、解压不需要内存。
　　（3）、压缩相当地快。
　　（4）、压缩需要64 kB的内存。
　　（5）、允许在压缩部分以损失压缩速度为代价提高压缩率，解压速度不会降低。
　　（6）、包括生成预先压缩数据的压缩级别，这样可以得到相当有竞争力的压缩比。
　　（7）、另外还有一个只需要8 kB内存的压缩级别。
　　（8）、算法是线程安全的。
　　（9）、算法是无损的。
本文针对Hadoop 2.2.0，介绍如何安装和使用lzo。

一、下载、解压并编译lzo包

 

1	[wyp@master ~]$ wget http://www.oberhumer.com/opensource/lzo/download/lzo-2.06.tar.gz

2	[wyp@master ~]$ tar -zxvf lzo-2.06.tar.gz

3	[wyp@master ~]$ cd lzo-2.06

4	[wyp@master ~]$ export CFLAGS=-m64

5	[wyp@master ~]$ ./configure -enable-shared -prefix=/usr/local/hadoop/lzo/

6	[wyp@master ~]$ make && sudo make install

　　编译完lzo包之后，会在/usr/local/hadoop/lzo/生成一些文件，目录结构如下：

 

1	[wyp@master /usr/local/hadoop/lzo]$ ls -l

2

total 12

3	drwxr-xr-x 3 root root 4096 Mar 21 17:23 include

4	drwxr-xr-x 2 root root 4096 Mar 21 17:23 lib

5	drwxr-xr-x 3 root root 4096 Mar 21 17:23 share

　　将/usr/local/hadoop/lzo目录下的所有文件打包，并同步到集群中的所有机器上。

　　在编译lzo包的时候，需要一些环境，可以用下面的命令安装好lzo编译环境

1	[wyp@master ~]$ yum -y install  lzo-devel     \

2	zlib-devel  gcc autoconf automake libtool

二、安装Hadoop-LZO

　　这里下载的是Twitter hadoop-lzo，可以用Maven(如何安装Maven请参照本博客的《Linux命令行下安装Maven与配置》)进行编译。

1	[wyp@master ~]$ wget https://github.com/twitter/hadoop-lzo/archive/master.zip

下载后的文件名是master，它是一个zip格式的压缩包，可以进行解压：

1	[wyp@master ~]$ unzip master

解压后的文件夹名为hadoop-lzo-master

　　当然，如果你电脑安装了git，你也可以用下面的命令去下载

1	[wyp@master ~]$ git clone https://github.com/twitter/hadoop-lzo.git

hadoop-lzo中的pom.xml依赖了hadoop2.1.0-beta，由于我们这里用到的是Hadoop 2.2.0，所以建议将hadoop版本修改为2.2.0：

1	<properties>

2	<project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>

3	<hadoop.current.version>2.2.0</hadoop.current.version>

4	<hadoop.old.version>1.0.4</hadoop.old.version>

5	</properties>

然后进入hadoop-lzo-master目录，依次执行下面的命令

01	[wyp@master hadoop-lzo-master]$ export CFLAGS=-m64

02	[wyp@master hadoop-lzo-master]$ export CXXFLAGS=-m64

03	[wyp@master hadoop-lzo-master]$ export C_INCLUDE_PATH=     \

04	/usr/local/hadoop/lzo/include

05	[wyp@master hadoop-lzo-master]$ export LIBRARY_PATH=/usr/local/hadoop/lzo/lib

06	[wyp@master hadoop-lzo-master]$ mvn clean package -Dmaven.test.skip=true

07	[wyp@master hadoop-lzo-master]$ cd target/native/Linux-amd64-64

08	[wyp@master Linux-amd64-64]$ tar -cBf - -C lib . | tar -xBvf - -C ~

09	[wyp@master ~]$cp ~/libgplcompression* $HADOOP_HOME/lib/native/

10	[wyp@master hadoop-lzo-master]$cp target/hadoop-lzo-0.4.18-SNAPSHOT.jar   \

11	$HADOOP_HOME/share/hadoop/common/

其实在tar -cBf – -C lib . | tar -xBvf – -C ~命令之后，会在~目录下生成一下几个文件：

1	[wyp@master ~]$ ls -l

2	-rw-r--r--  1 libgplcompression.a

3	-rw-r--r--  1 libgplcompression.la

4	lrwxrwxrwx  1 libgplcompression.so -> libgplcompression.so.0.0.0

5	lrwxrwxrwx  1 libgplcompression.so.0 -> libgplcompression.so.0.0.0

6	-rwxr-xr-x  1 libgplcompression.so.0.0.0

　　其中libgplcompression.so和libgplcompression.so.0是链接文件，指向libgplcompression.so.0.0.0，将刚刚生成的libgplcompression*和target/hadoop-lzo-0.4.18-SNAPSHOT.jar同步到集群中的所有机器对应的目录。

三、配置Hadoop环境变量

　　1、在Hadoop中的$HADOOP_HOME/etc/hadoop/hadoop-env.sh加上下面配置：

1	export LD_LIBRARY_PATH=/usr/local/hadoop/lzo/lib

　　2、在$HADOOP_HOME/etc/hadoop/core-site.xml加上如下配置：

01	<property>

02	<name>io.compression.codecs</name>

03	<value>org.apache.hadoop.io.compress.GzipCodec,

04	org.apache.hadoop.io.compress.DefaultCodec,

05	com.hadoop.compression.lzo.LzoCodec,

06	com.hadoop.compression.lzo.LzopCodec,

07	org.apache.hadoop.io.compress.BZip2Codec

08

</value>

09	</property>

10

11	<property>

12	<name>io.compression.codec.lzo.class</name>

13	<value>com.hadoop.compression.lzo.LzoCodec</value>

14	</property>

　　3、在$HADOOP_HOME/etc/hadoop/mapred-site.xml加上如下配置

01	<property>

02	<name>mapred.compress.map.output</name>

03	<value>true</value>

04	</property>

05

06	<property>

07	<name>mapred.map.output.compression.codec</name>

08	<value>com.hadoop.compression.lzo.LzoCodec</value>

09	</property>

10

11	<property>

12	<name>mapred.child.env</name>

13	<value>LD_LIBRARY_PATH=/usr/local/hadoop/lzo/lib</value>

14	</property>

　　将刚刚修改的配置文件全部同步到集群的所有机器上，并重启Hadoop集群，这样就可以在Hadoop中使用lzo。

四、如何使用

　　这里在Hive中使用一下lzo，在hive中创建一个lzo表：

1	hive> create table lzo(

2

> id int,

3	> name string)

4	> STORED AS INPUTFORMAT 'com.hadoop.mapred.DeprecatedLzoTextInputFormat'

5	> OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';

6

OK

7	Time taken: 3.423 seconds

如果在创建lzo表出现了如下错误：

1	FAILED: Error in metadata: Class not found:     \

2	com.hadoop.mapred.DeprecatedLzoTextInputFormat

3	FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask

请检查你的环境是否配置好。

然后在本地用lzo压缩一个文件，先看看users.txt的内容：

01	[wyp@master ~]$ cat users.txt

02

1^Awyp

03

2^Azs

04

3^Als

05

4^Aww

06

5^Awyp2

07

6^Awyp3

08

7^Awyp4

09

8^Awyp5

10

9^Awyp6

11

10^Awyp7

12

11^Awyp8

13

12^Awyp5

14

13^Awyp9

15

14^Awyp20

16	[wyp@master ~]$ lzop users.txt

17	[wyp@master ~]$ ls -l users.txt*

18	-rw-r--r-- 1 wyp wyp 97  Mar 25 15:40 users.txt

19	-rw-r--r-- 1 wyp wyp 154 Mar 25 15:40 users.txt.lzo

将users.txt.lzo的数据导入到lzo表里面：

 

01	hive> load data local inpath '/home/wyp/users.txt.lzo' into table lzo;

02	Copying data from file:/home/wyp/users.txt.lzo

03	Copying file: file:/home/wyp/users.txt.lzo

04	Loading data to table default.lzo

05	Table default.lzo stats: [num_partitions: 0, num_files: 1,

06	num_rows: 0, total_size: 154, raw_data_size: 0]

07

OK

08	Time taken: 0.49 seconds

09	hive> select * from lzo;

10

OK

11

1   wyp

12

2   zs

13

3   ls

14

4   ww

15

5   wyp2

16

6   wyp3

17

7   wyp4

18

8   wyp5

19

9   wyp6

20

10  wyp7

21

11  wyp8

22

12  wyp5

23

13  wyp9

24

14  wyp20

25	Time taken: 0.244 seconds, Fetched: 14 row(s)

好了，我们可以在Hadoop中使用lzo了！！（完）