大数据学习笔记——Hadoop编程之SequenceFile

SequenceFile(Hadoop序列文件)基础知识与应用

上篇编程实战系列中本人介绍了基本的使用HDFS进行文件读写的方法，这一篇将承接上篇重点整理一下SequenceFile的相关知识及应用

1. SequenceFile简介

SequenceFile是Hadoop自带的一种键值对文件格式，它具有以下几个特点：

1. 由于该文件类型是Hadoop自带的，因此对Hadoop环境具有最强的兼容性

2. 由于Hadoop不适合存储大量小文件，SequenceFile作为容器文件，能够封装大量的小文件为一个大文件，很好地解决了这个问题

3. 该文件类型具有可切割性，因此可实现数据本地化

2. SequenceFile编程实战

首先介绍一下SequenceFile的基本组成部分

1. SequenceFile的版本号，包括3个字节的SEQ，和它的版本号

2. key的类名

3. value的类名

4. 一个用来表示是否压缩的boolean值

5. 一个用来表示是否是块压缩的boolean值

6. 指定一个压缩编解码器

7. 元数据

8. 同步点：用来定位数据的边界

2.1 SequenceFile的基本读写操作

//测试使用SequenceFile进行文件的写出
    @Test
    public void testWrite() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个写入器
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, new Path("/1.seq"), IntWritable.class, Text.class);
        //传入1000个hello做测试
        for(int i = 1; i <= 1000; i++){
            IntWritable key = new IntWritable(i);
            Text value = new Text("hello" + i);
            writer.append(key,value);
        }
        //关闭资源
        writer.close();
    }

    //测试使用SequenceFile进行文件内容的读取
    @Test
    public void testRead() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个读取器
        SequenceFile.Reader reader = new SequenceFile.Reader(fs, new Path("/1.seq"), conf);
        //初始化两个对象作为容器存放读取到的数据
        IntWritable key = new IntWritable();
        Text value = new Text();
        for(int i = 1; i <= 1000; i++){
            reader.next(key,value);
            System.out.println("key: " + key + "\t" + "value: " + value);
        }
        //关闭资源
        reader.close();
    }

2.2 SequenceFile的sort和merge操作

sort操作

由于需要使用到排序方法，因此首先我们需要准备一个乱序的seq文件

//准备一个乱序的seq文件
    @Test
    public void testWrite2() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个写入器
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, new Path("/in1.seq"), IntWritable.class, Text.class);
        //传入1000个hello做测试，但是是乱序输出的
        Random r = new Random();
        for(int i = 1; i <= 1000; i++){
            IntWritable key = new IntWritable(r.nextInt(1000));
            Text value = new Text("hello" + key);
            writer.append(key,value);
        }
        //关闭资源
        writer.close();
    }

    //测试排序方法
    @Test
    public void testSort() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个排序器
        SequenceFile.Sorter sorter = new SequenceFile.Sorter(fs, IntWritable.class, Text.class, conf);
        //使用sorter对象的sort方法对key进行排序
        sorter.sort(new Path("/in1.seq"),new Path("/out1.seq"));
    }

排序前，可用hdfs dfs -text /in1.seq进行SequenceFile的查看，查看结果如下：

排序后，使用hdfs dfs -text /out1.seq进行查看，结果如下，排序成功！

merge操作

//准备另一个seq文件用来进行merge操作
    @Test
    public void testWrite3() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个写入器
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf, new Path("/in2.seq"), IntWritable.class, Text.class);
        //传入1000个hello做测试，但是是乱序输出的
        Random r = new Random();
        for(int i = 1; i <= 1000; i++){
            IntWritable key = new IntWritable(r.nextInt(1000));
            Text value = new Text("helloworld" + key);
            writer.append(key,value);
        }
        //关闭资源
        writer.close();
    }

    //演示merge方法合并两个seq文件
    @Test
    public void testMerge() throws Exception{
        //进行用户设置
        System.setProperty("HADOOP_USER_NAME", "root");
        //Configuration对象
        Configuration conf = new Configuration();
        //FileSystem对象
        FileSystem fs = FileSystem.get(conf);
        //新建一个排序器，然后调用排序器的merge方法
        SequenceFile.Sorter sorter = new SequenceFile.Sorter(fs, IntWritable.class, Text.class, conf);
        Path path1 = new Path("/in1.seq");
        Path path2 = new Path("/in2.seq");
        Path[] paths = {path1,path2};
        sorter.merge(paths,new Path("/merge.seq"));
    }

2.3 SequenceFile三种压缩方式比较

SequenceFile一共有三种不同的压缩方式：

1. None：不压缩

2. Record：记录压缩，只压缩value

3. Block：块压缩，将多个K-V对聚集在一起，超过指定大小后(1000000字节，近似于1M)将其压缩

package com.seq;

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.junit.Test;

/*
    测试几种不同的压缩方式最终产生的文件大小
 */
public class TestCompress {

    @Test
    public void testCompression() throws Exception{
        System.setProperty("HADOOP_USER_NAME", "root");
        Configuration conf = new Configuration();
        FileSystem fs = FileSystem.get(conf);
        //分别新建三个不同的写出器，之后查看文件大小
        SequenceFile.Writer writer1 = SequenceFile.createWriter(fs, conf, new Path("/none.seq"), IntWritable.class, Text.class, SequenceFile.CompressionType.NONE);
        SequenceFile.Writer writer2 = SequenceFile.createWriter(fs, conf, new Path("/record.seq"), IntWritable.class, Text.class, SequenceFile.CompressionType.RECORD);
        SequenceFile.Writer writer3 = SequenceFile.createWriter(fs, conf, new Path("/block.seq"), IntWritable.class, Text.class, SequenceFile.CompressionType.BLOCK);
        //写入10000个hello作比较
        for(int i = 1; i <= 10000; i++){
            IntWritable key = new IntWritable(i);
            Text value = new Text("hellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohellohello" + key);
            writer1.append(key,value);
            writer2.append(key,value);
            writer3.append(key,value);
        }
        //关闭资源
        writer1.close();
        writer2.close();
        writer3.close();
    }
}

查看文件大小，可得：不压缩文件大小 > 记录压缩文件大小 > 块压缩文件大小

2.4 压缩编解码器性能对比

目前常用的压缩编解码器主要有这几种：gzip, bzip2, lz4, lzo, Snappy等，关于性能的讨论，主要分为两派，一是追求较高的压缩比，但要付出时间的代价，二是追求较高的速度，但相对的，压缩比会小一些，对于lzo来说，首先需要导入相关依赖，依赖如下：

<dependency>
    <groupId>org.anarres.lzo</groupId>
    <artifactId>lzo-hadoop</artifactId>
    <version>1.0.0</version>
</dependency>

测试代码如下：

package com.codec;

import com.hadoop.compression.lzo.LzopCodec;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.*;

import org.apache.hadoop.util.ReflectionUtils;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;

/**
 * 综合测试压缩时间    解压时间    压缩大小
 */

public class TestCodec {

    public static void main(String[] args) {
        Class[] classes = {
                GzipCodec.class,
                DefaultCodec.class,
                Lz4Codec.class,
                BZip2Codec.class,
                LzopCodec.class,
                SnappyCodec.class
        };

        for (Class clazz : classes) {
            testCompress(clazz,"d:/test.log");
            testDecompress(clazz,"d:/test.log");
        }

    }

    /**
     * 测试压缩
     * @throws Exception
     */
    public static void testCompress(Class clazz, String path) {

        try {

            Configuration conf = new Configuration();
            //通过hadoop的反射工具类，获取压缩编解码器的实例
            CompressionCodec codec = (CompressionCodec)ReflectionUtils.newInstance(clazz, conf);

            //获取编解码器默认扩展名
            String ext = codec.getDefaultExtension();

            long start = System.currentTimeMillis();

            //输入流读取本地文件
            FileInputStream fis = new FileInputStream(path);
            //输出流加压缩
            CompressionOutputStream cos = codec.createOutputStream(new FileOutputStream(path + ext));

            IOUtils.copyBytes(fis,cos,1024);

            System.out.println(ext + "压缩时间:" + (System.currentTimeMillis() -start));

            File f = new File(path+ext);
            long length = f.length();
            System.out.println(ext + "压缩大小:" + length);

            fis.close();
            cos.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    /**
     * 测试解压
     * @throws Exception
     */
    public static void testDecompress(Class clazz, String path){

        try {
            Configuration conf = new Configuration();
            //通过hadoop的反射工具类，获取压缩编解码器的实例
            CompressionCodec codec = (CompressionCodec)ReflectionUtils.newInstance(clazz, conf);

            //获取编解码器默认扩展名
            String ext = codec.getDefaultExtension();

            long start = System.currentTimeMillis();

            //输入流解压文件
            CompressionInputStream cis = codec.createInputStream(new FileInputStream(path+ext));
            //输出流加压缩
            FileOutputStream fos = new FileOutputStream(path + ext + ".log");

            IOUtils.copyBytes(cis,fos,1024);

            System.out.println(ext + "解压时间:" + (System.currentTimeMillis() -start));

            cis.close();
            fos.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

测试结果公布：

压缩大小
bzip2 < gzip < deflate < lz4 < lzo

压缩时间
lz4 < lzo < deflate < gzip < bzip2
328 576 1106 2653 20599

解压时间
lzo < lz4 < deflate < gzip < bzip2
404 427 437 524 4694

优化压缩比可选用：
bzip2
gzip
deflate

优化压缩速度可选用：
lz4
lzo