在海量数据存储系统中,好的压缩算法可以有效的降低存储开销,减轻运营成本。Hadoop作为当前主流的海量数据存储与计算平台,当然也不例外,再其内部实现了几种经典的编码/解码算法来提供给用户选择,以达到提高应用系统的性能。因此,本文将主要围绕Hadoop中的数据编码/解码器展开详细地讨论。
在 Hadoop的实现中,数据编码器和解码器被抽象成了两个接口:org.apache.hadoop.io.compress.Compressor、org.apache.hadoop.io.compress.Decompressor,所以在Hadoop内部的编码/解码算法实现都需要实现对应的接口。在实际的数据压缩与解压缩过程,Hadoop为用户提供了统一的I/O流处理模式,其过程如下:
与上图描述的过程相对应的一个类图为:
从上面的类图可以轻松的看出,每一种编码器(Compressor)/解码器(Decompressor)最后统一的交由编码解码器(CompressionCodec)来管理,为了标识某一种编码解码器(CompressionCodec),它设计了getDefaultExtesion()方法来表示这种编解码算法,对应的就是文件的后缀扩展名了。当前在Hadoop内部实现的编码解码器主要有:
对应的文件扩展名是:
当Hadoop启动之前,我们可以通过配置文件来为Hadoop集群配置任意多个编码解码器(CompressionCodec),这些编码解码器(CompressionCodec)既可以是Hadoop内部实现的,也可以是用户自定义的。对应的配置项为:io.compression.codec,当然,如果没有在配置文件中指定一系列的编码解码器(CompressionCodec)的话,则采用默认的编码解码器:GzipCodec和DefaultCodec。最后所有的这些配置的编码解码器(CompressionCodec)统一交由CompressionCodecFactory来管理。当hadoop在处理一个文件时,它会根据这个文件的后缀名从CompressionCodecFactory获取相应的编码解码器进而对该文件进行解码处理。
所有的压缩算法显现了一个时间和空间的交易:更快的压缩或者解压就以得到很少的空间节约为代价。所有的在上图中的压缩给了一些控制对于在压缩的时候时空的交易。不同的压缩工具有不同的压缩特征。gzip和Zip都是最常见的压缩,出于中间的时间和空间交易比。Bizp2压缩比gzip和ZIP更加有效的,但是更慢。Bzip2的压缩速度比解压速度快,但是它还是比其他别的压缩方法慢。另一方面LZO速度比较快:它比gzip和ZIP快(或者其他别的压缩和解压方法),但是压缩效果不高效。