大数据的储存：百度HDFS集群的数据压缩
2012年4月13日，由IT168(ITPUB、IXPUB、ChinaUnix)主办的2012中国数据库技术大会(DTCC)在北京隆重召开。大会第三天，百度基础架构部高级工程师孙桂林发表了主题为“百度HDFS集群的数据压缩”的演讲。
当前，数字信息急剧膨胀。根据IDC的研究结果，2011年创造的信息数量达到1800EB，每年产生的数字信息量还在以60%的速度高速增长，到2020年，全球每年产生的数字信息将达到35ZB。面对海量数据处理的需求，“大数据”这一新的概念应运而生。关于大数据的定义，目前还没有标准的说法。
Hadoop Distributed File System，简称HDFS，是一个分布式文件系统。HDFS有着高容错性(fault-tolerent)的特点，并且设计用来部署在低廉的(low-cost)硬件上。而且它提供高吞吐量(high throughput)来访问应用程序的数据，适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求(requirements)这样可以实现流的形式访问(streaming access)文件系统中的数据。HDFS开始是为开源的apache项目nutch的基础结构而创建，HDFS是hadoop项目的一部分，而hadoop又是lucene的一部分。
HDFS设计的针对对象主要适合流式访问的超大文件、在使用便宜的硬件搭建的集群上运行。HDFS中Block的大小默认是64M，小于块大小的的文件并不占据整个块的全部空间(一个块可能存有多个文件)。
在谈到为什么使用百度HDFS集群的数据压缩时，孙桂林表示，在存储上带来了灵活的可扩展性、高可用性、充分提高了存储空间利用率。
使用Blocks的好处：
1) 可以存储大文件，一个文件的大小可以大于任何一个单块硬盘的容量
2) 把存储单元抽象成块而不是文件，简化了存储子系统：简化了数据管理、取消元数据关注
3) 能很好适应数据复制，数据复制保证系统的容错和可用性。
HDFS提供了两种namenode的容错机制：
1) 备份存储持久化状态的文件系统元数据的文件
2) 提供secondary namenode。Secondary的主要角色是合并namespace image和edit log，防止edit log过大。但是secondary namenode的数据较master namenode的数据有所延迟，所有数据恢复以后肯定会有数据丢失。
一般来讲，冷数据和老数据经常会被压缩，块压缩相对于文件压缩的优势在于三方面。第一，透明性，客户端不需要知道压缩的存在，也不需要知道升级。第二，灵活性，对实际压缩的算法没有限制。第三，本地性，不需要在跨数据节点的压缩操作。
百度HDFS集群的数据压缩
提到异步压缩时，孙桂林表示，一个集群能从未压缩的状态变成压缩状态最多花费十天，如果压缩的数据很繁琐，我们可以通过处理器来减轻CPU的负载。
存储压缩的机制
DataNode数据已经压缩了，Client可能不知道，DataNode 在响应Client的时候回将数据解压。
Client 和DataNode之间可以通过压缩的机制。整个通信协议需要一些扩展，需要告诉写方，我们所需要压缩的文件格式以及什么样的编码。在写的操作上，存储编码和传输编码不一样，我们可以选择是否压缩储存和传输编码。在读的操作上，支持一些协议来进行转换。
为了节省带宽，我们尽量避免DataNode 和DataNode之间重复压缩的问题。在Append之前我们需要解压最后的块，还是解压最后一兆数据。一旦文件被Append之后，表示这个文件的最后一个块不被压缩。在压缩的时候，首先我们需要选择压缩速率，相对而言解压的速度更为关键。我们的目标是要实现节省存储空间、避免压缩影响计算作业，实时压缩透明。
如何处理小文件
1、 把小文件变成大文件(归档操作)
2、 把相同目录下的小文件合成一个大文件。数据块的大小可以达到一个数量级，可以做压缩处理。
不同的集群，压缩比部太一样，压缩比介于10%到50%之间，大部分的集群我们都可以获取50%以上的空间收益。
未来，我们主推的是后台异步压缩，等待CPU空闲的时候，我们才会开始压缩。压缩过程和压缩编码完全透明，我们可以采用分级压缩方法。对于冷数据，我们可以使用一些极致的压缩算法，尽量来节省空间。通过一些归档操作，我们可以节省大量的磁盘空间。
很多时候，我们A模块的输出数据刚好是B模块的输入，我们可以提供一个块共享的Quota Calculating ，我们可以通过块共享的机制使用快速拷贝。
一个文件如果存在的时候，对于一些重复的块文件该怎么处理，这将是我们未来的发展方向。