大数据-常用压缩方式总结

原文链接： https://blog.csdn.net/zzhongcy/article/details/89375346

转载声明

本文系转载自以下两篇文章：

• 压缩格式gzip/snappy/lzo/bzip2 比较与总结
  作者： zzhongcy

• Snappy、Lzo、Gzip、Bzip2比较
  作者： 心有余力

转载仅为方便学习查看，一切权利属于原作者，本人只是做了整理和排版，如果带来不便请联系我删除。

摘要

本文对大数据常用的压缩方式GZip, BZip2, LZO, Snappy进行对比。

特性对比

名	GZip	BZip2	LZO	Snappy
HadoopCodec类	GzipCodec	Bzip2Codec	LzopCodec	SnappyCodec
算法	Deflate	GZip2	LZO	Snappy
文件扩展名	.gz	.bz2	.lzo	.snappy
Hadoop内嵌	是	是	否	否
可切片	否	是	是	否
压缩比(测试值)	2 (13.4%)	1 (13.2%)	3 (20.5%)	4 (22.2%)
压缩速率	3 (21MB/S)	4 (2.4MB/S)	2 (135MB/S)	1 (172MB/S)
解压速率	3 (118MB/s)	4 (9.5MB/s)	1 (410MB/s)	2 (409MB/S)
特点	GZip压缩比高，大部分Linux系统自带Gzip命令，Hadoop原生就支持使用很方便；速度较慢，而且不支持切片。	BZip2压缩比最高，但速度实在太慢了	压缩比尚可，速度快，支持切片（需要建立索引，且文件修改后要重建索引，还需将 InputFormat 指定为Lzo）。支持hadoop native库，但不是Hadoop自带，需要自己安装。	压缩比最低，但速度最快，但不支持切片。支持hadoop native库，但不是Hadoop自带，需要自己安装。需要注意的是，实际生产环境中Snappy的表现通常比 LZO 好，应当进行测试对比再决定。
使用场景	如果压缩后大小和Block差不多大可以使用。也适合磁盘不富裕要求压缩比且对压缩时间无特别要求的场景，如异步离线压缩归档，比如HBase写入后的刷盘	适合很老的、极低频使用的历史文件（冷数据）归档	特点是支持切片	实时写入的Hive底层HDFS文件可用LZO方式压缩

压缩选择

• 需要综合权衡压缩/解压缩数据所需资源如IO/网络贷款/CPU等，以及考虑数据使用场景
• 如果数据已经压缩（例如 JPEG 格式的图像），则不建议进行压缩。事实上，结果文件实际上可能大于原文件。
• MR程序需要支持可拆分，一般选LZO；而HBase不需要考虑拆分性。
• MR程序可选压缩Map中间输出结果、程序整体输出结果等。

Hadoop本地库检测

hadoop checknative