直压到亚马逊AWS平台,阿里云OSS平台或者腾讯云COS平台

GTX Compressor （直压上云技术预览版）

Powered by GTXLab of Genetalks.

技术预览版本下载地址： https://github.com/Genetalks/gtz/archive/0.2.2h_tech_preview.tar.gz

English Manual.

系统简介

GTX Compressor是Genetalks公司GTX Lab实验室开发的面向大型数据（数GB甚至数TB数据，尤其是生物信息数据）上云，而量身定制的复杂通用数据压缩打包系统，可以对任意基因测序数据以及数据目录进行高压缩率的快速打包，形成单个压缩数据文件，以方便存储档与远程传输、校验。区别于以往的压缩工具，GT Compressor系统着力于 高压缩率，高速率，方便的数据抽取 。

GTX Compressor可以在AWS C4.8xlarge机器（或同配置服务器），以超过114MB/s的速度，将接近200GB大小的33个质量数的FASTQ文件（NA12878_1.fastq），在13分钟内压缩到原大小的19%，而对于X10等只有 7个质量数的FASTQ数据，其压缩率更可以达到5.5% 。

GTX Compressor提供“直压上云”功能。考虑商业使用时，用户不仅需要将测序产生的海量数据存储于本地，更迫切地寻求将数据快速稳定传输至云端的能力。 GTX Compressor的数据压缩引擎允许用户直接将fastq文件压缩存储到亚马逊AWS平台,阿里云OSS平台或者腾讯云COS平台，并保持与本地压缩相同的压缩速度与压缩效率。普通100Mbits Intenet线路，可以在短短30分钟内稳定地将200GB Fastq文件的直压上云。

系统亮点

该数据打包压缩系统的特点：

• 高压缩比 采用Context Model压缩技术，配合多种优化的预测模型，平衡系统并发度与内存资源消耗后，能达到极高的压缩率。对FASTQ文件，压缩率最高可达5.58%。

• 高性能： GTX compressor充分发挥了CPU的并发性以及新型Haswell CPU体系结构与AVX2、BMI2等指令集的计算能力，使得在普通服务器上的压缩速度，最高能够以接近114MB/s的输入流量输入数据并压缩完毕。

• 高速直压上云： GTX compressor支持直压上云和从云端直接解压下载功能。普通的20核服务器，通过百兆Intenet线路，可以在短短30分钟内稳定地将200GB Fastq文件的直压上云。 

系统环境要求

• 64位 Linux 系统（CentOS 6.5以上或Ubuntu 12.04以上，推荐Ububtu 14.04及以上64位操作系统)

• 4核以上，最小8GB内存的主机系统（若要达到最大并发性，推荐32核 64GB内存，或与AWS C4.8xlarge机器相同配置）

安装说明

本系统采用开包即用的打包原则，不依赖当前系统其他任何库。

下载包内包含ubuntu版本和centos版本的两个tar.gz的包。选择对应tar.gz的包，解压后，gtz命令就在当前解压的gtz_0.2.2b_ubuntu_tech_preview目录或gtz_0.2.2b_centos_tech_preview目录中，直接使用即可。

命令行说明

执行 ./gtz -h，输出命令行帮助说明。

USAGE:
./gtz  [--list] [-e <string>] [-f] [--endpoint <string>]  [--appid <string>]  [--timeout <string>]
          [--secret-access-key <string>] [--access-key-id <string>] [-b
          <string>] [-s <string>] [-c] [-n <string>] [-l <string>] [-i]
          [-d] [--delete] [-a] [-g <number>] [-o <string>] [--] [--version]
          [-h] <file names> ...

通用选项说明：

• -h：输出以上命令行帮助信息
• --version：输出gt_compress程序的版本号
• --access-key-id : 指定云平台用户ID
• --secret-access-key： 指定云平台用户密钥
• --endpoint ： 指定阿里云OSS平台或者腾讯云COS平台的访问域名和数据中心
• --appid ： 指定腾讯云COS平台的用户ID

压缩选项说明：

• -f, --force ： 强制删除容器内的object
• --timeout ： 指定上传超时阀值
• -i：压缩时增加索引，主要用于在压缩文件中快速检索fastq文件的某段内容，该选项会降低压缩速度
• -a：追加模式，本次压缩的内容会追加到压缩文件中
• -g：分组加速压缩，分组越多，需要的cpu和内存越多，压缩速度越快。不指定该值时，程序会根据cpu和内存自动选择最优值
• -o：指定压缩文件名，不指定时，默认为out.gtz
• file_name：需要压缩的文件或目录, 若不指定，则从标准输入中读入数据

解压选项说明：

• -d,--decode : 解压模式 --list : 列出压缩包中所有的压缩文件名，与-d参数一起使用 -e, --extract : 解压压缩包中指定的压缩文件，文件名之间用冒号:分割，与-d参数一起使用
• --timeout ： 指定下载超时阀值
• -c,--stdout           :   解压数据输出至标准输出, 只能与 -d 参数一起使用
• -o：指定输出文件名，使用-n或-l时需要指定该选项，否则不需要该选项
• file_name：需要压缩的文件, 若不指定，则从标准输入中读入数据

示例：

配置环境变量：

export access_key_id=xxxxxx

export secret_access_key=xxxxxx

export endpoint=xxxxxx （该环境变量只有上传至OSS或者COS时才需设置）

export appid=xxxxxx （该环境变量只有上传至COS时才需设置）

压缩举例

直压阿里OSS：

	./gtz  -o oss://gtz/out.gtz   source.fastq  (or source.fastq.gz, gtz支持对fastq.gz的重新压缩)

或者
	# zcat 通过管道将fastq的数据送入gtz加压，zcat解压出来的fastq数据流在 out.gtz 中将以stdin这个文件名存在
	zcat source.fastq.gz  |  ./gtz  -o oss://gt-compress/out.gtz

直压腾讯COS：

	./gtz  -o cos://gtz/out.gtz   source.fastq  (or source.fastq.gz, gtz支持对fastq.gz的重新压缩)

或者
	# zcat 通过管道将fastq的数据送入gtz加压，zcat解压出来的fastq数据流在 out.gtz 中将以stdin这个文件名存在
	zcat source.fastq.gz  |  ./gtz  -o cos://gt-compress/out.gtz

直压AWS S3：

	./gtz  -o s3://gtz/out.gtz   source.fastq   (or source.fastq.gz, gtz支持对fastq.gz的重新压缩)

或者：
	# zcat 通过管道将fastq的数据送入gtz加压，zcat解压出来的fastq数据流在 out.gtz 中将以stdin这个文件名存在
	zcat source.fastq.gz  |  ./gtz  -o s3://gt-compress/out.gtz

压缩到本地：

	./gtz  -o gtz/out.gtz   source.fastq  (or source.fastq.gz, gtz支持对fastq.gz的重新压缩)

或者
	# zcat 通过管道将fastq的数据送入gtz加压，zcat解压出来的fastq数据流在 out.gtz 中将以stdin这个文件名存在
	zcat source.fastq.gz  |  ./gtz  -o gtz/out.gtz

海量小文件与tar配合进行快速压缩和上传：

为了大量小型文件（500MB以下）快速压缩或传输上云，支持使用管道方式与 tar 配合进行打包压缩, 对于海量小型数据，压缩和传输速度将非常好。（注意，这种方式下，GTZ使用的针对普通二进制数据的压缩算法，不会对tar包里面的fastq进行特殊处理）。
tar -cf - ./you_dir_or_file | gtz -o /dest.gtz

或者直接打包上云: 

tar -cf - ./you_dir_or_file | gtz -o s3://bucket/dest.gtz

tar -cf - ./you_dir_or_file | gtz -o oss://bucket/dest.gtz

tar -cf - ./you_dir_or_file | gtz -o cos://bucket/dest.gtz

直接传输回来解包：

gtz -c -d s3://bucket/dest.gtz | tar -xf - 

当然，大型文件（500MB以上）或大型文件所在的目录，尤其是 fastq或fastq.gz文件或其所在的目录，还是建议直接使用 GTZ 进行打包压缩直传，速度更快。

追加文件进压缩包

./gtz -a -o oss://gtz/out.gtz /A/source2.fastq  # -a 指当前是追加模式

./gtz -a -o cos://gtz/out.gtz /A/source2.fastq  # -a 指当前是追加模式

./gtz -a -o s3://gtz/out.gtz /A/source2.fastq   # -a 指当前是追加模式

./gtz -a -o gtz/out.gtz /A/source2.fastq   # -a 指当前是追加模式

查看压缩包里包含的文件

./gtz_0.2.0_ubuntu_release/gtz --list -d oss://gtz/out.gtz

./gtz_0.2.0_ubuntu_release/gtz --list -d cos://gtz/out.gtz

./gtz_0.2.0_ubuntu_release/gtz --list -d s3://gtz/out.gtz

./gtz_0.2.0_ubuntu_release/gtz --list -d gtz/out.gtz

解压举例

从阿里 OSS 解压：

./gtz  -d oss://gtz/out.gtz

或者 单独抽取几个文件：
# -e 代表抽取文件，后面要抽取的文件名称间，用 ":" 隔开
./gtz -e source.fastq:/A/source2.fastq -d oss://gtz/out.gtz

或者某个文件到管道：
# -c 代表输出到console， -e 代表抽取其中的某个文件
./gtz -c -e source.fastq  -d oss://gtz/out.gtz > myfile.txt
或者
./gtz -c -e source.fastq  -d oss://gtz/out.gtz | gzip -c > source.gz

从腾讯 COS 解压：

./gtz  -d cos://gtz/out.gtz

或者 单独抽取几个文件：
# -e 代表抽取文件，后面要抽取的文件名称间，用 ":" 隔开
./gtz -e source.fastq:/A/source2.fastq -d cos://gtz/out.gtz

或者某个文件到管道：
# -c 代表输出到console， -e 代表抽取其中的某个文件
./gtz -c -e source.fastq  -d cos://gtz/out.gtz > myfile.txt
或者
./gtz -c -e source.fastq  -d cos://gtz/out.gtz | gzip -c > source.gz

从AWS S3 解压：

./gtz  -d s3://gtz/out.gtz

或者 单独抽取几个文件：
# -e 代表抽取文件，后面要抽取的文件名称间，用 ":" 隔开
./gtz -e source.fastq:/A/source2.fastq -d s3://gtz/out.gtz

或者某个文件到管道：
# -c 代表输出到console， -e 代表抽取其中的某个文件
./gtz -c -e source.fastq  -d s3://gtz/out.gtz > myfile.txt
或者
./gtz -c -e source.fastq  -d s3://gtz/out.gtz | gzip -c > source.gz

从本地文件：

./gtz  -d ./gtz/out.gtz

或者 单独抽取几个文件：
# -e 代表抽取文件，后面要抽取的文件名称间，用 ":" 隔开
./gtz -e source.fastq:/A/source2.fastq -d gtz/out.gtz

或者某个文件到管道：
# -c 代表输出到console， -e 代表抽取其中的某个文件
./gtz -c -e source.fastq  -d gtz/out.gtz > myfile.txt
或者
./gtz -c -e source.fastq  -d gtz/out.gtz | gzip -c > myfastq.gz