大数据开发之Hadoop篇----hadoop和lzo结合使用

hadoop-lzo

经过我上一篇博文的介绍，大家都知道在我们大数据开发的过程中，其实我们都会对数据进行压缩的，但不同的压缩方式会有不同的效果，今天我来介绍一下lzo这种hadoop原生并不支持的压缩方式的配置和使用，最后我们将跑一次基于lzo的压缩的文件的wordcount。

hadoop支持lzo

由于hadoop原生并不支持lzo，所以即使我们使用了编译版的hadoop好像也不能使用lzo这中压缩方式的。

安装lzop native library

yum -y install lzo-devel zlib-devel gcc autoconf automake libtool
wget www.oberhumer.com/opensource/lzo/download/lzo-2.06.tar.gz
tar -zxf lzo-2.06.tar.gz
cd lzo-2.06
export CFLAGS=-m64
./configure //如果你想指定具体的安装目录的话，可以添加参数–prefix==your_path
make && make install //这个过程要注意权限问题，所以我建议你还是使用root用户来操作

安装maven

这里我就不对maven进行介绍了，这个我们后面要用来编译的
wget mirrors.hust.edu.cn/apache/maven/maven-3/3.5.2/binaries/apache-maven-3.5.2-bin.tar.gz
tar -zxf apache-maven-3.5.2-bin.tar.gz
将maven配置到环境变量当中去，vi ~/.bash_profile 然后进入到编辑模式，输入：
export MAVEN_HOME=your_maven_path
export PATH=$MAVE{N}_{H}OME/bin:$PATH
然后退出~/.bash_profile，source ~/.bash_profile使其生效
试着在控制台输入mvn -v看看有没有maven的信息输出，输出就对了。

安装hadoop-lzo

wget https://github.com/twitter/hadoop-lzo/archive/master.zip
unzip master
vi hadoop-lzo-master/pom.xml

  
    UTF-8
    2.7.4    #这里修改成对应的hadoop版本号
    1.0.4
  

cd hadoop-lzo-master/
export CFLAGS=-m64
export CXXFLAGS=-m64
export C_INCLUDE_PATH=lzo-2.06/include //这里是指定你lzo-2.06的地址里面的include目录，这就是为什么我们要安装配置lzo-2.06的原因了
export LIBRARY_PATH=lzo-2.06/lib //同上
mvn clean package -Dmaven.test.skip=true //使用maven编译

出现这个界面就是对的了
cd target/native/Linux-amd64-64
tar -cBf - -C lib . | tar -xBvf - -C ~
cp ~/libgplcompression* $HADOOP_HOME/lib/native/ //将这个包里面的所有东西都cp到hadoop目录下的lib下的native里面，最好你是编译过的hadoop，否则你的native里面是空的
cp target/hadoop-lzo-0.4.21-SNAPSHOT.jar $HADOOP_HOME/share/hadoop/common/ //这个非常重要，你能否正常使用lzo就看这个了
ls -l /root/libgplcompression.*

修改一下hadoop的配置文件

vi $HADOOP_HOME/etc/hadoop/hadoop-env.sh 添加下面的配置参数

export LD_LIBRARY_PATH=lzo-2.06/lib

vi $HADOOP_HOME/etc/hadoop/core-site.xml

   
             io.compression.codecs
             org.apache.hadoop.io.compress.GzipCodec,
      org.apache.hadoop.io.compress.DefaultCodec,
      org.apache.hadoop.io.compress.BZip2Codec,
      com.hadoop.compression.lzo.LzoCodec,
      com.hadoop.compression.lzo.LzopCodec
             
    
     
            io.compression.codec.lzo.class
            com.hadoop.compression.lzo.LzoCodec
      

//注意io.compression.codecs的value里面不要有空格，我之前就是因为这个搞得我hive的输出都出错了

vi $HADOOP_HOME/etc/hadoop/mapred-site.xml

           mapred.child.env 
           LD_LIBRARY_PATH=/usr/local/lzo-2.06/lib
    
    
            mapreduce.map.output.compress
            true
     
     
             mapreduce.map.output.compress.codec
             com.hadoop.compression.lzo.LzoCodec
      

重启你hadoop集群

lzop的安装

这个就是lzo压缩解压的工具，你可以使用lzop file 来压缩文件成lzo文件，也可以使用lzop -d file.lzo来解压lzo文件

wget www.lzop.org/download/lzop-1.04.tar.gz
tar zxf lzop-1.04.tar.gz
cd lzop-1.04
/configure
make && make install
配置环境变量
lzop -V

输出这个就够了

测试hadoop上是否支持lzo文件了

上传你的lzo文件到hdfs上面
hdfs dfs -put file.lzo /… //后面那个指的是你HDFS上面的地址
然后text一下，如果能输出内容就是Hadoop支持lzo了
如果还是显示没有找到com.hadoop.compression.lzo.LzoCodec这个东西的话，就是你上面的步骤应该出错了

###来跑一波wc
我上一篇博文说过，lzo一般情况下是不支持分片的，不支持分片就没有了分布式的意义了，所以我们先来看下不支持分片下的lzo的怎么跑的
cd $HADOOP_HOME/share/hadoop/mapreduce
hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.7.0.jar wordcount /file.lzo /output_file //最后两个一个是你HDFS上面的lzo文件的放置地址，后面一个是你想将跑完的结果放到HDFS上的那个目录文件夹下，注意这个文件夹不用事先创建的，否则会报错的
仔细看控制台的输出，你会发现无论你文件多大

mapreduce.JobSubmitter: number of splits:1

这里都是1的

建立索引

要建立索引就要用到我们之前的那个jar包了

hadoop jar /home/hadoop/hadoop/share/hadoop/mapreduce/lib/hadoop-lzo-0.4.21-SNAPSHOT.jar com.hadoop.compression.lzo.LzoIndexer  /your_lzofile_path

hadoop jar /home/hadoop/hadoop/share/hadoop/mapreduce/lib/hadoop-lzo-0.4.21-SNAPSHOT.jar com.hadoop.compression.lzo.DistributedLzoIndexer /your_lzofile_path

上面两种方法都可以，第二种快一点，所以会在lzo文件相同的目录下，所以你最好文件你这个要跑的lzo文件单独建一个目录，这个时候目录下有两个文件了，如果再跑一次wc的话，以这个目录为输入那么你将会看到
mapreduce.JobSubmitter: number of splits:2 这个输出了，但不要惊喜，这个时候还是没成功，hadoop只是把lzo和索引文件单独看成两个文件而已，我们还需要一个参数。

完成一次lzo的带索引的wc

hadoop jar hadoop-mapreduce-examples-2.6.0-cdh5.7.0.jar wordcount
-Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTestInputFormat /input  /output

就是添加这个参数了：-Dmapreduce.job.inputformat.class=com.hadoop.mapreduce.LzoTestInputFormat
好了，这个时候你就会看到你的mapreduce.JobSubmitter: number of splits:是多个了，说明你成果了

####很多小伙伴说你要不使用markdown来写吧，那写在就满足一下你们吧。