Hadoop 压缩文件方式比较

 对于Hadoop文件常用的几种压缩方法，我写了一个java程序进行比较。

期望是，给出一个大文件(bigfile.txt) ,我们用各种方式压缩他们然后最终复制到HDFS中。

代码很简单：就是构造codec的实例,然后让它来创建到HDFS的输出流

/*
 */
package com.charles.hadoop.fs;

import java.io.BufferedInputStream;
import java.io.FileInputStream;
import java.io.InputStream;
import java.io.OutputStream;
import java.net.URI;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionCodecFactory;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.util.ReflectionUtils;

/**
 *
 * Description:
 *
 * @author charles.wang
 * @created May 26, 2012 3:23:21 PM
 *
 */
public class HadoopCodec {

    /**
     * @param args
     */
    public static void main(String[] args) throws Exception {
        // TODO Auto-generated method stub

        String inputFile = "bigfile.txt";

        String outputFolder = "hdfs://192.168.129.35:9000/user/hadoop-user/codec/";
        // String outputFile="bigfile.gz";

        // 读取hadoop文件系统的配置
        Configuration conf = new Configuration();
        conf.set("hadoop.job.ugi", "hadoop-user,hadoop-user");

        //测试各种压缩格式的效率
        //gzip
        long gzipTime = copyAndZipFile(conf, inputFile, outputFolder, "org.apache.hadoop.io.compress.GzipCodec", "gz");
        //bzip2
        long bzip2Time = copyAndZipFile(conf, inputFile, outputFolder, "org.apache.hadoop.io.compress.BZip2Codec", "bz2");
        //deflate
        long deflateTime = copyAndZipFile(conf, inputFile, outputFolder, "org.apache.hadoop.io.compress.DefaultCodec", "deflate");

        System.out.println("被压缩的文件名为： "+inputFile);
        System.out.println("使用gzip压缩，时间为： "+gzipTime+"毫秒!");
        System.out.println("使用bzip2压缩，时间为： "+bzip2Time+"毫秒!");
        System.out.println("使用deflate压缩，时间为： "+deflateTime+"毫秒!");
    }

    public static long copyAndZipFile(Configuration conf, String inputFile, String outputFolder, String codecClassName,
            String suffixName) throws Exception {
        long startTime = System.currentTimeMillis();

        // 因为本地文件系统是基于java.io包的，所以我们创建一个本地文件输入流
        InputStream in = new BufferedInputStream(new FileInputStream(inputFile));

        //去掉扩展名提取basename
        String baseName = inputFile.substring(0, inputFile.indexOf("."));
        //构造输出文件名，它是路径名+基本名+扩展名
        String outputFile = outputFolder + baseName + "."+suffixName;


        FileSystem fs = FileSystem.get(URI.create(outputFile), conf);

        // 创建一个编码×××，通过反射机制根据传入的类名来动态生成其实例
        CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(Class.forName(codecClassName), conf);

        // 创建一个指向HDFS目标文件的压缩文件输出流
        OutputStream out = codec.createOutputStream(fs.create(new Path(outputFile)));
        // 用IOUtils工具将文件从本地文件系统复制到HDFS目标文件中

        try {
            IOUtils.copyBytes(in, out, conf);

        } finally {
            IOUtils.closeStream(in);
            IOUtils.closeStream(out);
        }

        long endTime = System.currentTimeMillis();

        return endTime - startTime;
    }

}

 

最终显示结果为：

被压缩的文件名为： bigfile.txt
使用gzip压缩，时间为： 11807毫秒!
使用bzip2压缩，时间为： 44982毫秒!
使用deflate压缩，时间为： 3696毫秒!

 

同时我们查看HDFS文件目录，可以证实，这几个文件的确存在：

 

分析结果：

我们可以从性能和压缩比率2个方面来进行对比：

性能：一目了然 deflate>bzip2>gzip， 而且gzip的性能差好大一截。

压缩比：

我们的原文件大小为114,576,640 字节

 gzip 压缩比率为：9513416/114576640=8.3%,bzip2 压缩比率为5006568/114576640=4.37%,deflate压缩比率为9513404/114576640=8.3%

所以压缩比： bzip2>deflate=gzip

 

综上所述：压缩效果最好的是bzip2,压缩速度最快的是deflate