【hadoop】——MapReduce解压缩实现

转载请注明出处：http://www.cnblogs.com/zhengrunjian/p/4527269.html

1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。

如果我们压缩的文件有相应压缩格式的扩展名（比如lzo，gz，bzip2等），hadoop就会根据扩展名去选择解码器解压。

hadoop对每个压缩格式的支持,详细见下表：

如果压缩的文件没有扩展名，则需 要在执行mapreduce任务的时候指定输入格式.

1. hadoop jar /usr/home/hadoop/hadoop-0.20.2/contrib/streaming/hadoop-streaming-0.20.2-CDH3B4.jar
2. -file /usr/home/hadoop/hello/mapper.py -mapper /usr/home/hadoop/hello/mapper.py
3. -file /usr/home/hadoop/hello/reducer.py -reducer /usr/home/hadoop/hello/reducer.py
4. -input lzotest -output result4
5. -jobconf mapred.reduce.tasks=1
6. -inputformat org.apache.hadoop.mapred.LzoTextInputFormat

2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：

1. package com.sweetop.styhadoop;
2. import org.apache.hadoop.fs.Path;
3. import org.apache.hadoop.io.IntWritable;
4. import org.apache.hadoop.io.Text;
5. import org.apache.hadoop.io.compress.GzipCodec;
6. import org.apache.hadoop.mapreduce.Job;
7. import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
8. import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
9. import java.io.IOException;
10. /**
11. * Created with IntelliJ IDEA.
12. * User: lastsweetop
13. * Date: 13-6-27
14. * Time: 下午7:48
15. * To change this template use File | Settings | File Templates.
16. */
17. public class MaxTemperatureWithCompression {
18. public static void main(String[] args) throws Exception {
19. if (args.length!=2){
20. System.out.println("Usage: MaxTemperature <input path> <out path>");
21. System.exit(-1);
22. }
23. Job job=new Job();
24. job.setJarByClass(MaxTemperature.class);
25. job.setJobName("Max Temperature");
26. FileInputFormat.addInputPath(job, new Path(args[0]));
27. FileOutputFormat.setOutputPath(job, new Path(args[1]));
28. job.setMapperClass(MaxTemperatrueMapper.class);
29. job.setCombinerClass(MaxTemperatureReducer.class);
30. job.setReducerClass(MaxTemperatureReducer.class);
31. job.setOutputKeyClass(Text.class);
32. job.setOutputValueClass(IntWritable.class);
33. FileOutputFormat.setCompressOutput(job, true);
34. FileOutputFormat.setOutputCompressorClass(job, GzipCodec.class);
35. System.exit(job.waitForCompletion(true)?0:1);
36. }
37. }

输入也是一个压缩文件

1. ~/hadoop/bin/hadoop com.sweetop.styhadoop.MaxTemperatureWithCompression   input/data.gz  output/

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

1. [hadoop@namenode test]$hadoop fs -get output/part-r-00000.gz .
2. [hadoop@namenode test]$ls
3. 1901  1902  ch2  ch3  ch4  data.gz  news.gz  news.txt  part-r-00000.gz
4. [hadoop@namenode test]$gunzip -c part-r-00000.gz
5. 1901<span style="white-space:pre">  </span>317
6. 1902<span style="white-space:pre">  </span>244

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。

1. SequenceFileOutputFormat.setOutputCompressionType(job, SequenceFile.CompressionType.BLOCK);

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

3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：

1. Configuration conf = new Configuration();
2. conf.setBoolean("mapred.compress.map.output", true);
3. conf.setClass("mapred.map.output.compression.codec",GzipCodec.class, CompressionCodec.class);
4. Job job=new Job(conf);
5. 转至：http://blog.csdn.net/lastsweetop/article/details/9187721