hadoop压缩框架
一般来说,计算机处理的数据都存在一些冗余度,同时数据中间,尤其是相邻数据间存在着相关性,所以可以通过一些有别于原始编码的特殊编码方式来保存数据,使数据占用的存储空间比较小,这个过程一般叫压缩。和压缩对应的概念是解压缩,就是将被压缩的数据从特殊编码方式还原为原始数据的过程。
压缩广泛应用于海量数据处理中,对数据文件进行压缩,可以有效减少存储文件所需的空间,并加快数据在网络上或者到磁盘上的传输速度。在Hadoop中,压缩应用于文件存储、Map阶段到Reduce阶段的数据交换(需要打开相关的选项)等情景。
数据压缩的方式非常多,不同特点的数据有不同的数据压缩方式:如对声音和图像等特殊数据的压缩,就可以采用有损的压缩方法,允许压缩过程中损失一定的信息,换取比较大的压缩比;而对音乐数据的压缩,由于数据有自己比较特殊的编码方式,因此也可以采用一些针对这些特殊编码的专用数据压缩算法。
Hadoop压缩简介
Hadoop作为一个较通用的海量数据处理平台,在使用压缩方式方面,主要考虑压缩速度和压缩文件的可分割性。
所有的压缩算法都会考虑时间和空间的权衡,更快的压缩和解压缩速度通常会耗费更多的空间(压缩比较低)。例如,通过gzip命令压缩数据时,用户可以设置不同的选项来选择速度优先或空间优先,选项–1表示优先考虑速度,选项–9表示空间最优,可以获得最大的压缩比。
需要注意的是,有些压缩算法的压缩和解压缩速度会有比较大的差别:gzip和zip是通用的压缩工具,在时间/空间处理上相对平衡,gzip2压缩比gzip和zip更有效,但速度较慢,而且bzip2的解压缩速度快于它的压缩速度。
当使用MapReduce处理压缩文件时,需要考虑压缩文件的可分割性。考虑我们需要对保持在HDFS上的一个大小为1GB的文本文件进行处理,当前HDFS的数据块大小为64MB的情况下,该文件被存储为16块,对应的MapReduce作业将会将该文件分为16个输入分片,提供给16个独立的Map任务进行处理。但如果该文件是一个gzip格式的压缩文件(大小不变),这时,MapReduce作业不能够将该文件分为16个分片,因为不可能从gzip数据流中的某个点开始,进行数据解压。但是,如果该文件是一个bzip2格式的压缩文件,那么,MapReduce作业可以通过bzip2格式压缩文件中的块,将输入划分为若干输入分片,并从块开始处开始解压缩数据。bzip2格式压缩文件中,块与块间提供了一个48位的同步标记,因此,bzip2支持数据分割。
Hadoop支持的压缩格式:
压缩格式 | Unix工具 | 算法 | 文件扩展名 | 支持多文件 | 可分割 |
DEFLATE | 无 | DEFLATE | .deflate | 否 | 否 |
gzip | gzip | DEFLATE | .gz | 否 | 否 |
zip | zip | DEFLATE | .zip | 是 | 是 |
bzip | bzip2 | bzip2 | .bz2 | 否 | 是 |
LZO | lzop | LZO | .lzo | 否 | 否 |
为了支持多种压缩解压缩算法,Hadoop引入了编码/解码器。与Hadoop序列化框架类似,编码/解码器也是使用抽象工厂的设计模式。目前,Hadoop支持的编码/解码器如下
压缩算法及其编码/解码器:
压缩格式 | 对应的编码/解码器 |
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip | org.apache.hadoop.io.compress.BZip2Codec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
同一个压缩方法对应的压缩、解压缩相关工具,都可以通过相应的编码/解码器获得。
Hadoop压缩API应用实例
下面将介绍使用编码/解码器的典型实例(代码在org.hadoopinternal.compress包中)。其中,compress()方法接受一个字符串参数,用于指定编码/解码器,并用对应的压缩算法对文本文件README.txt进行压缩。字符串参数使用Java的反射机制创建对应的编码/解码器对象,通过CompressionCodec对象,进一步使用它的createOutputStream()方法构造一个CompressionOutputStream流,未压缩的数据通过IOUtils.copyBytes()方法,从输入文件流中复制写入CompressionOutputStream流,最终以压缩格式写入底层的输出流中。
在本实例中,底层使用的是文件输出流FileOutputStream,它关联文件的文件名,是在原有文件名的基础上添加压缩算法相应的扩展名生成。该扩展名可以通过CompressionCodec对象的getDefaultExtension()方法获得。相关代码如下:
public static void compress(String method) throws…… { File fileIn = new File("README.txt"); //输入流 InputStream in = new FileInputStream(fileIn); Class<?> codecClass = Class.forName(method); Configuration conf = new Configuration(); //通过名称找对应的编码/解码器 CompressionCodec codec = (CompressionCodec) ReflectionUtils.newInstance(codecClass, conf); File fileOut = new File("README.txt"+codec.getDefaultExtension()); fileOut.delete(); //文件输出流 OutputStream out = new FileOutputStream(fileOut); //通过编码/解码器创建对应的输出流 CompressionOutputStream cout = codec.createOutputStream(out); //压缩 IOUtils.copyBytes(in, cout, 4096, false); in.close(); cout.close(); }
需要解压缩文件时,通常通过其扩展名来推断它对应的编码/解码器,进而用相应的解码流对数据进行解码,如扩展名为gz的文件可以使用GzipCodec阅读。
CompressionCodecFactory提供了getCodec()方法,用于将文件扩展名映射到对应的编码/解码器,如下面的例子。有了CompressionCodec对象,就可以使用和压缩类似的过程,通过对象的createInputStream()方法获得CompressionInputStream对象,解码数据。相关代码如下:
public static void decompress(File file) throws IOException { Configuration conf = new Configuration(); CompressionCodecFactory factory = new CompressionCodecFactory(conf); //通过文件扩展名获得相应的编码/解码器 CompressionCodec codec = factory.getCodec(new Path(file.getName())); if( codec == null ) { System.out.println("Cannot find codec for file "+file); return; } File fileOut = new File(file.getName()+".txt"); //通过编码/解码器创建对应的输入流 InputStream in = codec.createInputStream( new FileInputStream(file) ); …… }
Hadoop压缩框架
Hadoop通过以编码/解码器为基础的抽象工厂方法,提供了一个可扩展的框架,支持多种压缩方法。下面就来研究Hadoop压缩框架的实现。
1. 编码/解码器
前面已经提过,CompressionCodec接口实现了编码/解码器,使用的是抽象工厂的设计模式。CompressionCodec提供了一系列方法,用于创建特定压缩算法的相关设施,其类图如图所示:
CompressionCodec中的方法很对称,一个压缩功能总对应着一个解压缩功能。其中,与压缩有关的方法包括:
createOutputStream()用于通过底层输出流创建对应压缩算法的压缩流,重载的createOutputStream()方法可使用压缩器创建压缩流;
createCompressor()方法用于创建压缩算法对应的压缩器。后续会继续介绍压缩流CompressionOutputStream和压缩器Compressor。解压缩也有对应的方法和类。
CompressionCodec中还提供了获取对应文件扩展名的方法getDefaultExtension(),如对于org.apache.hadoop.io.compress.BZip2Codec,该方法返回字符串“.bz2”,注意字符串的第一个字符。相关代码如下:
public interface CompressionCodec { //在底层输出流out的基础上创建对应压缩算法的压缩流CompressionOutputStream对象 CompressionOutputStream createOutputStream(OutputStream out)…… //使用压缩器compressor,在底层输出流out的基础上创建对应的压缩流 CompressionOutputStream createOutputStream(OutputStream out, Compressor compressor) …… …… //创建压缩算法对应的压缩器 Compressor createCompressor(); //在底层输入流in的基础上创建对应压缩算法的解压缩流CompressionInputStream对象 CompressionInputStream createInputStream(InputStream in) …… …… //获得压缩算法对应的文件扩展名 String getDefaultExtension(); }
CompressionCodecFactory是Hadoop压缩框架中的另一个类,它应用了工厂方法,使用者可以通过它提供的方法获得CompressionCodec。
注意:抽象工厂方法和工厂方法这两个设计模式有很大的区别,抽象工厂方法用于创建一系列相关或互相依赖的对象,如CompressionCodec可以获得和某一个压缩算法相关的对象,包括压缩流和解压缩流等。而工厂方法(严格来说,CompressionCodecFactory是参数化工厂方法),用于创建多种产品,如通过CompressionCodecFactory的getCodec()方法,可以创建GzipCodec对象或BZip2Codec对象。
在前面的实例中已经使用过getCodec()方法,为某一个压缩文件寻找对应的CompressionCodec。为了分析该方法,需要了解CompressionCodec类中保存文件扩展名和CompressionCodec映射关系的成员变量codecs。
codecs是一个有序映射表,即它本身是一个Map,同时它对Map的键排序,下面是codecs中保存的一个可能的映射关系:
{
2zb.: org.apache.hadoop.io.compress.BZip2Codec,
etalfed.: org.apache.hadoop.io.compress.DeflateCodec,
yppans.: org.apache.hadoop.io.compress.SnappyCodec,
zg.: org.apache.hadoop.io.compress.GzipCodec
}
可以看到,Map中的键是排序的。
getCodec()方法的输入是Path对象,保存着文件路径,如实例中的“README.txt.bz2”。
首先通过获取Path对象对应的文件名并逆转该字符串得到“2zb.txt.EMDAER”,然后通过有序映射SortedMap的headMap()方法,查找最接近上述逆转字符串的有序映射的部分视图,如输入“2zb.txt.EMDAER”的查找结果subMap,只包含“2zb.”对应的那个键–值对,如果输入是“zg.txt.EMDAER”,则subMap会包含成员变量codecs中保存的所有键–值对。然后,简单地获取subMap最后一个元素的键,如果该键是逆转文件名的前缀,那么就找到了文件对应的编码/解码器,否则返回空。实现代码如下:
public class CompressionCodecFactory { …… //该有序映射保存了逆转文件后缀(包括后缀前的“.”)到CompressionCodec的映射 //通过逆转文件后缀,我们可以找到最长匹配后缀 private SortedMap<String, CompressionCodec> codecs = null; …… public CompressionCodec getCodec(Path file) { CompressionCodec result = null; if (codecs != null) { String filefilename = file.getName(); //逆转字符串 String reversedFilename = new StringBuffer(filename).reverse().toString(); SortedMap<String, CompressionCodec> subMap = codecs.headMap(reversedFilename); if (!subMap.isEmpty()) { String potentialSuffix = subMap.lastKey(); if (reversedFilename.startsWith(potentialSuffix)) { result = codecs.get(potentialSuffix); } } } return result; } }
CompressionCodecFactory.getCodec()方法的代码看似复杂,但通过灵活使用有序映射SortedMap,实现其实还是非常简单的。
2. 压缩器和解压器
压缩器(Compressor)和解压器(Decompressor)是Hadoop压缩框架中的一对重要概念。
Compressor可以插入压缩输出流的实现中,提供具体的压缩功能;相反,Decompressor提供具体的解压功能并插入CompressionInputStream中。Compressor和Decompressor的这种设计,最初是在Java的zlib压缩程序库中引入的,对应的实现分别是java.util.zip.Deflater和java.util.zip.Inflater。下面以Compressor为例介绍这对组件。
Compressor的用法相对复杂,Compressor通过setInput()方法接收数据到内部缓冲区,自然可以多次调用setInput()方法,但内部缓冲区总是会被写满。如何判断压缩器内部缓冲区是否已满呢?可以通过needsInput()的返回值,如果是false,表明缓冲区已经满,这时必须通过compress()方法获取压缩后的数据,释放缓冲区空间。
为了提高压缩效率,并不是每次用户调用setInput()方法,压缩器就会立即工作,所以,为了通知压缩器所有数据已经写入,必须使用finish()方法。finish()调用结束后,压缩器缓冲区中保持的已经压缩的数据,可以继续通过compress()方法获得。至于要判断压缩器中是否还有未读取的压缩数据,则需要利用finished()方法来判断。
注意:finished()和finish()的作用不同,finish()结束数据输入的过程,而finished()返回false,表明压缩器中还有未读取的压缩数据,可以继续通过compress()方法读取。
Compressor接口源代码如下:
public interface Compressor { /** * 输入要压缩的数据. * 根据#needsInput() 返回的值,判断是否执行 * 如果返回为true,表示需要更多的数据. * * @param b 输入数据 * @param off 偏移的起始位置 * @param len 长度 */ public void setInput(byte[] b, int off, int len); /** * 当输入数据缓存为空的时候返回 true,并且 * #setInput() 应该被调用用来提供输入数据. */ public boolean needsInput(); /** * 设置当前路径为压缩. * * @param b Dictionary data bytes * @param off Start offset * @param len Length */ public void setDictionary(byte[] b, int off, int len); /** * 返回输入的还未被压缩的字节数. */ public long getBytesRead(); /** * 返回输出的已经被压缩的字节数. */ public long getBytesWritten(); /** * 当调用的时候,表示当前输入缓存的内容的压缩操作应该结束 */ public void finish(); /** * 当压缩器中的最末端的输出数据到达则返回true. */ public boolean finished(); /** * 向缓存中填充压缩的数据. 返回实际的压缩的字节数. 返回0表明 needsInput()被调用 * 来判断是否需要更多的输入数据. * * @param b Buffer for the compressed data * @param off Start offset of the data * @param len Size of the buffer * @return The actual number of bytes of compressed data. */ public int compress(byte[] b, int off, int len) throws IOException; /** * 重置 compressor, 预备一些新的输入数据. */ public void reset(); /** * 关闭 compressor并丢弃为处理的输入. */ public void end(); }
使用Compressor的一个典型实例如下:
public static void compressor() throws ClassNotFoundException, IOException { //读入被压缩的内容 File fileIn = new File("README.txt"); InputStream in = new FileInputStream(fileIn); int datalength=in.available(); byte[] inbuf = new byte[datalength]; in.read(inbuf, 0, datalength); in.close(); //长度受限制的输出缓冲区,用于说明finished()方法 byte[] outbuf = new byte[compressorOutputBufferSize]; Compressor compressor=new BuiltInZlibDeflater();//构造压缩器 int step=100;//一些计数器 int inputPos=0; int putcount=0; int getcount=0; int compressedlen=0; while(inputPos < datalength) { //进行多次setInput() int len=(datalength-inputPos>=step)? step:datalength-inputPos; compressor.setInput(inbuf, inputPos, len ); putcount++; while (!compressor.needsInput()) { compressedlen=compressor.compress(outbuf, 0, ……); if(compressedlen>0) { getcount++; //能读到数据 } } // end of while (!compressor.needsInput()) inputPos+=step; } compressor.finish(); while(!compressor.finished()) { //压缩器中有数据 getcount++; compressor.compress(outbuf, 0, compressorOutputBufferSize); } System.out.println("Compress "+compressor.getBytesRead() //输出信息 +" bytes into "+compressor.getBytesWritten()); System.out.println("put "+putcount+" times and get "+getcount+" times"); compressor.end();//停止 }
以上代码实现了setInput()、needsInput()、finish()、compress()和finished()的配合过程。将输入inbuf分成几个部分,通过setInput()方法送入压缩器,而在finish()调用结束后,通过finished()循序判断压缩器是否还有未读取的数据,并使用compress()方法获取数据。
在压缩的过程中,Compressor可以通过getBytesRead()和getBytesWritten()方法获得Compressor输入未压缩字节的总数和输出压缩字节的总数,如实例中最后一行的输出语句。Compressor和Decompressor的类图如图所示。
Compressor.end()方法用于关闭解压缩器并放弃所有未处理的输入;reset()方法用于重置压缩器,以处理新的输入数据集合;reinit()方法更进一步允许使用Hadoop的配置系统,重置并重新配置压缩器。
3. 压缩流和解压缩流
Java最初版本的输入/输出系统是基于流的,流抽象了任何有能力产出数据的数据源,或者是有能力接收数据的接收端。一般来说,通过设计模式装饰,可以为流添加一些额外的功能,如前面提及的序列化流ObjectInputStream和ObjectOutputStream。
压缩流(CompressionOutputStream)和解压缩流(CompressionInputStream)是Hadoop压缩框架中的另一对重要概念,它提供了基于流的压缩解压缩能力。如图3-7所示是从java.io.InputStream和java.io.OutputStream开始的类图。
这里只分析和压缩相关的代码,即CompressionOutputStream及其子类。
OutputStream是一个抽象类,提供了进行流输出的基本方法,它包含三个write成员函数,分别用于往流中写入一个字节、一个字节数组或一个字节数组的一部分(需要提供起始偏移量和长度)。
注意:流实现中一般需要支持的close()和flush()方法,是java.io包中的相应接口的成员函数,不是OutputStream的成员函数。
CompressionOutputStream继承自OutputStream,也是个抽象类。如前面提到的ObjectOutputStream、CompressionOutputStream为其他流添加了附加额外的压缩功能,其他流保存在类的成员变量out中,并在构造的时候被赋值。
CompressionOutputStream实现了OutputStream的close()方法和flush()方法,但用于输出数据的write()方法、用于结束压缩过程并将输入写到底层流的finish()方法和重置压缩状态的resetState()方法还是抽象方法,需要CompressionOutputStream的子类实现。相关代码如下:
public abstract class CompressionOutputStream extends OutputStream { //输出压缩结果的流 protected final OutputStream out; //构造函数 protected CompressionOutputStream(OutputStream out) { this.out = out; } public void close() throws IOException { finish(); out.close(); } public void flush() throws IOException { out.flush(); } public abstract void write(byte[] b, int off, int len) throws IOException; public abstract void finish() throws IOException; public abstract void resetState() throws IOException; }
CompressionOutputStream规定了压缩流的对外接口,如果已经有了一个压缩器的实现,能否提供一个通用的、使用压缩器的压缩流实现呢?答案是肯定的,CompressorStream使用压缩器实现了一个通用的压缩流,其主要代码如下:
public class CompressorStream extends CompressionOutputStream { protected Compressor compressor; protected byte[] buffer; protected boolean closed = false; //构造函数 public CompressorStream(OutputStream out, Compressor compressor, int bufferSize) { super(out); ……//参数检查,略 this.compressor = compressor; buffer = new byte[bufferSize]; } …… public void write(byte[] b, int off, int len) throws IOException { //参数检查,略 …… compressor.setInput(b, off, len); while (!compressor.needsInput()) { compress(); } } protected void compress() throws IOException { int len = compressor.compress(buffer, 0, buffer.length); if (len > 0) { out.write(buffer, 0, len); } } //结束输入 public void finish() throws IOException { if (!compressor.finished()) { compressor.finish(); while (!compressor.finished()) { compress(); } } } …… //关闭流 public void close() throws IOException { if (!closed) { finish();//结束压缩 out.close();//关闭底层流 closed = true; } } …… }
CompressorStream提供了几个不同的构造函数,用于初始化相关的成员变量。上述代码片段中保留了参数最多的构造函数,其中,CompressorStream需要的底层输出流out和压缩时使用的压缩器,都作为参数传入构造函数。另一个参数是CompressorStream工作时使用的缓冲区buffer的大小,构造时会利用这个参数分配该缓冲区。
CompressorStream.write()方法用于将待压缩的数据写入流中。待压缩的数据在进行一番检查后,最终调用压缩器的setInput()方法进入压缩器。setInput()方法调用结束后,通过Compressor.needsInput()判断是否需要调用compress()方法,获取压缩后的输出数据。上一节已经讨论了这个问题,如果内部缓冲区已满,则需要通过compress()方法提取数据,提取后的数据直接通过底层流的write()方法输出。
当finish()被调用(往往是CompressorStream被关闭),这时CompressorStream流调用压缩器的finish()方法通知输入已经结束,然后进入另一个循环,该循环不断读取压缩器中未读取的数据,然后输出到底层流out中。
CompressorStream中的其他方法,如resetState()和close()都比较简单,不再一一介绍了。
CompressorStream利用压缩器Compressor实现了一个通用的压缩流,在Hadoop中引入一个新的压缩算法,如果没有特殊的考虑,一般只需要实现相关的压缩器和解压器,然后通过CompressorStream和DecompressorStream,就实现相关压缩算法的输入/输出流了。
CompressorStream的实现并不复杂,只需要注意压缩器几个方法间的配合,下图给出了这些方法的一个典型调用顺序:
4. Java本地方法
数据压缩往往是计算密集型的操作,考虑到性能,建议使用本地库(Native Library)来压缩和解压。在某个测试中,与Java实现的内置gzip压缩相比,使用本地gzip压缩库可以将解压时间减少50%,而压缩时间大概减少10%。
Hadoop的DEFLATE、gzip和Snappy都支持算法的本地实现,其中Apache发行版中还包含了DEFLATE和gzip的32位和64位Linux本地压缩库(Cloudera发行版还包括Snappy压缩方法)。默认情况下,Hadoop会在它运行的平台上查找本地库。
假设有一个C 函数,它实现了某些功能,同时因为某种原因(如效率),使得用户不希望用Java语言重新实现该功能,那么Java本地方法(Native Method)就是一个不错的选择。Java提供了一些钩子函数,使得调用本地方法成为可能,同时,JDK也提供了一些工具,协助用户减轻编程负担。
Java语言中的关键字native用于表示某个方法为本地方法,显然,本地方法是类的成员方法。下面是一个本地方法的例子,代码片段来自Cloudera的Snappy压缩实现,在org.apache.hadoop.io.compress.snappy包中。其中,静态方法initIDs()和方法compressBytesDirect()用关键字native修饰,表明这是一个Java本地方法。相关代码如下:
public class SnappyCompressor implements Compressor { …… private native static void initIDs(); private native int compressBytesDirect(); }