Gzip
- 优点
- 压缩解压速度快 , 压缩率高 , hadoop本身支持
- 处理压缩文件时方便 , 和处理文本一样
- 大部分linux 系统自带 Gzip 命令 , 使用方便
- 缺点
- 不支持切片
- 使用场景
- 文件压缩后在130M以内 (一个块大小) , 都可以使用 GZip 压缩(因为Gzip唯一的缺点是不能切片)
- 总结 : 不需要切片的情况下 可以使用
BZip2
- 优点
- 压缩率高(高于Gzip)
- 可以切片
- hadoop自带 使用方便
- 缺点
- 压缩解压速度超级慢
- 使用场景
- 不要求压缩速率 ,但是对压缩率有要求的情况下 比如备份历史记录 , 备份文件
- 或者 输出的文件较大 , 处理后的数据需要减少磁盘存储并且以后使用数据的情况较少 (解压 / 压缩的情况较少)
- 对于单个文件 较大 ,又想压缩减少磁盘空间 , 并且兼容之前的应用程序的情况
- 总结 : 对于压缩解压速度没有要求的情况下
Lzo
- 优点
- 压缩解压速度比较快 , 压缩率也可以
- 支持切片 是hadoop 比较流行的压缩格式
- 可以在linux 下安装 lzo命令 使用方便
- 缺点
- 压缩率比Gzip低一些
- hadoop 本身不支持, 需要自己安装
- 使用Lzo 格式的文件时需要做一些特殊处理(为了支持 Split 需要建立索引 , 还需要家将 InputFormat 指定为Lzo 格式 [特殊]
- 使用场景
- 压缩以后还大于 200M 的文件 , 且文件越大 Lzo 的优势越明显
- (原因很简单 , 四种压缩方式 只有BZip2 , Gzip 支持切片 , 然后 BZip2 你懂的 , 速度贼慢 , 只能用于特定的场景, 所以 Lzo 是比较经常用的 )
- 总结 : 压缩后文件还是比较大 需要切片的情况下 推荐使用
Snappy
- 优点
- 高压缩解压速度 , 压缩率还可以
- 缺点
- 不能切片
- 压缩率比Gzip小
- hadoop本身不支持 需要安装
- 使用场景
- 当Mapeduce的Map阶段输出的数据比较大的时候 , 作为Map到Reduce的中间数据的压缩格式
- 作为一个MapReduce作业的输出和另一个MapReduce的输入
- 总结 : 因为 压缩率不怎么样 还不能切片 , 所以在一般的作为输入文件压缩时可以用 GZip 和 Lzo 都比Snappy
总结 :
压缩速率 : Snappy > GZIp > Lzo >BZip2
支持切片 : BZIp2 LZo
压缩率 : BZip2 > GZip > Lzo > Snappy
特殊 : Lzo Snappy hadoop 本身不支持 , 需要自行安装 并且 Lzo 需要建立索引