Hadoop自带一套原子操作用于数据I/O。其中一些技术，如数据完整性保持和压缩，对于处理多达数个TB的数据时，特别值得关注。另外一些Hadoop工具或API，所形成的构建模块可用于开发分布式系统，比如序列化操作和on-disk数据结构。
本篇的内容主要有以下几点：
（1）通过检验和保证数据完整性
（2）Hadoop压缩
（3）Hadoop序列化-Writable
（4）Hadoop顺序文件-即文件序列化
（1）在数据的流转过中，HDFS通过“校验和”，来检验数据完整性，如果发现损坏，则新建一个replica，删除损坏的部分，是数据块的复本保持在期望的水平。
（2）datanode节点本身也会在一个后台线程中运行一个DataBlockScanner，从而定期验证本节点的所有数据块。
（3）Hadoop的LocalFileSystem执行客户端的校验和验证，在写入数据时，会新建一个名为.filename.crc的文件，用于校验
（4）如果底层文件系统本身已经有了校验机制，则可以使用一个不需要检验的文件系统RawLocalFileSystem：
Configuration conf = ...
FileSystem fs = new RawLocalFileSystem();
fs.initialize(null,conf);
（5)LocalFileSystem通过CheckSumFileSystem完成校验操作，一般用法如下：
FileSystem rawFs = ...
FileSystem checksummedFs = new ChecksumFileSystem(rawFs);
gzip是比较通用的压缩格式，比较通用。bzip2比gzip更高效，但压缩速度慢一点。bzip2解压比压缩快，但与其他压缩格式比，还是慢一点。LZO优化压缩速度，但效率略低。
DEFLATE是一个标准压缩算法，该算法的标准实现是zlib。没有可用于生产DEFLATE文件的常用命令行工具，因为通常都用gzip格式。gzip格式只是在DEFLATE格式增加了文件头和文件尾。
所有压缩算法都需要权衡时间和空间：一般来说-1为优化速度，-9为优化压缩空间，例如：gzip -1 file，代表最快压缩创建一个file.gz。
是否可切分，代表压缩算法是否支持切分（splitable），即是否可以搜索数据流任务位置并进一步往下读取数据。可切分压缩尤其适合MapReduce。
codec实现了一种压缩-解压算法。在Hadoop中，对接口CompressionCodec的实现代表一个codec，Hadoop实现的codec列表如下：
其中LZO代码库拥有GPL许可，不在Apache的发行版中，可以在http://github.com/kevinweil/hadoop-lzo下载。
（例程1）从标准输入读取数据，然后写入标准输出：
import java.io.FileInputStream;
import java.io.InputStream;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.util.ReflectionUtils;
public class StreamCompressor {
public static void main(String[] args) throws Exception {
String codeClassname = "org.apache.hadoop.io.compress.GzipCodec";
Class<?> codecClass = Class.forName(codeClassname);
Configuration conf = new Configuration();
CompressionCodec codec = (CompressionCodec) ReflectionUtils
.newInstance(codecClass, conf);
CompressionOutputStream out = codec.createOutputStream(System.out);
//InputStream in = new FileInputStream("/test/input/wc/file01.txt");
InputStream in = System.in;
IOUtils.copyBytes(in, out, 4096, false);
out.finish(); //这里只是完成到这个数据流的写操作，并没有关闭，所以可以接着往下流
}
}hadoop集群执行命令：echo "Text" | hadoop jar test.jar StreamCompressor | gunzip ，可以看到正确的输出。
（例程2）根据文件扩展名，利用工厂判断产生codec对文件进行解压缩：
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;
public class FileDecompressor {
public static void main(String[] args) throws Exception {
String uri = "/test/input/t/1901.gz";
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(URI.create(uri), conf);
Path inputPath = new Path(uri);
CompressionCodecFactory factory = new CompressionCodecFactory(conf);
CompressionCodec codec = factory.getCodec(inputPath);
if (codec == null) {
System.err.println("No codec found for " + uri);
System.exit(1);
}
String outputUri = CompressionCodecFactory.removeSuffix(uri,
codec.getDefaultExtension());
InputStream in = null;
OutputStream out = null;
try {
in = codec.createInputStream(fs.open(inputPath));
out = fs.create(new Path(outputUri));
IOUtils.copyBytes(in, out, conf);
} finally {
IOUtils.closeStream(in);
IOUtils.closeStream(out);
}
}
}hadoop jar test.jar FileDecompressor。
hadoop fs -ls /test/input/t ，可以看到 /test/input/t/file01.gz 文件已经被解压了。
hadoop fs -cat /test/input/t/file01，可以查看文件内容。
（例程3）使用压缩池对标准输入的数据进行压缩，然后写入标准输出：
如果使用的是原生代码库，并且需要在应用中执行大量压缩和解压缩操作，可以考虑使用CodecPool，它允许你反复使用压缩和解压缩，以分摊创建这些对象所涉及的开销。
关于原生类库：
为了性能，最好使用原生（native）类库进行压缩和解压缩，例如，使用原生gzip类库可以减少大约一半的解压缩时间和10%的压缩时间（和内置的Java实现相比）。
并非每种格式都有原生实现，如下表：
默认情况下，Hadoop会根据自身运行的平台搜索原生代码库，如果找到相应代码库就会自动加载。当然，特殊情况下，也可以禁用原生代码库，设置hadoop.native.lib为false（这确保使用内置的Java代码库，如果有的话）。
代码示例：
import java.io.InputStream;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.compress.CodecPool;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.CompressionOutputStream;
import org.apache.hadoop.io.compress.Compressor;
import org.apache.hadoop.util.ReflectionUtils;
public class PooledStreamCompressor {
public static void main(String[] args) throws Exception {
String codeClassname = "org.apache.hadoop.io.compress.GzipCodec";
Class<?> codecClass = Class.forName(codeClassname);
Configuration conf = new Configuration();
CompressionCodec codec = (CompressionCodec) ReflectionUtils
.newInstance(codecClass, conf);
Compressor compressor = null;
try {
compressor = CodecPool.getCompressor(codec);
CompressionOutputStream out = codec.createOutputStream(System.out,
compressor);
// InputStream in = new
// FileInputStream("/test/input/wc/file01.txt");
InputStream in = System.in;
IOUtils.copyBytes(in, out, 4096, false);
out.finish(); // 这里只是完成到这个数据流的写操作，并没有关闭，所以可以接着往下流
} finally {
CodecPool.returnCompressor(compressor);// 返回池子
}
}
}
（例程4）对查找最高气温的输出进行压缩：
import java.io.IOException;
import java.util.Iterator;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.CompressionCodec;
import org.apache.hadoop.io.compress.GzipCodec;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
public class MaxTemperatureWithCompression {
public static void main(String[] args) throws Exception {
JobConf conf = new JobConf(MaxTemperatureWithCompression.class);
conf.setJobName("Max Temperature With Compression");
// FileInputFormat.addInputPaths(conf, new Path(args[0]));
// FileOutputFormat.setOutputPath(conf, new Path(args[1]));
FileInputFormat.setInputPaths(conf, new Path("/test/input/t"));
FileOutputFormat.setOutputPath(conf, new Path("/test/output/t"));
// 设置压缩(输出gz压缩文件)
conf.setBoolean("mapred.output.compress", true);
conf.setClass("mapred.output.compression.codec", GzipCodec.class,
CompressionCodec.class);
conf.setMapperClass(MaxTemperatureWithCompressionMapper.class);
conf.setCombinerClass(MaxTemperatureWithCompressionReduce.class);
conf.setReducerClass(MaxTemperatureWithCompressionReduce.class);
conf.setOutputKeyClass(Text.class);
conf.setOutputValueClass(IntWritable.class);
JobClient.runJob(conf);
}
}
class MaxTemperatureWithCompressionMapper extends MapReduceBase implements
Mapper<LongWritable, Text, Text, IntWritable> {
private static final int MISSING = 9999;
public void map(LongWritable key, Text value,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
String line = value.toString();
String year = line.substring(15, 19);
int airTemperature;
if (line.charAt(87) == ‘+‘) {
airTemperature = Integer.parseInt(line.substring(88, 92));
} else {
airTemperature = Integer.parseInt(line.substring(87, 92));
}
String quality = line.substring(92, 93);
if (airTemperature != MISSING && quality.matches("[01459]")) {
output.collect(new Text(year), new IntWritable(airTemperature));
}
}
}
class MaxTemperatureWithCompressionReduce extends MapReduceBase implements
Reducer<Text, IntWritable, Text, IntWritable> {
public void reduce(Text key, Iterator<IntWritable> values,
OutputCollector<Text, IntWritable> output, Reporter reporter)
throws IOException {
int maxValue = Integer.MIN_VALUE;
while (values.hasNext()) {
maxValue = Math.max(maxValue, values.next().get());
}
output.collect(key, new IntWritable(maxValue));
}
}查理结果：
hadoop fs -copyToLocal /test/output/t/part-00000.gz
gunzip -c part-00000.gz
使用哪种压缩格式与具体应用相关。是希望运行速度最快，还是更关注降低存储开销？通常，需要为应用尝试不同的策略，并且为应用构建一套测试标准，从而找到最理想的压缩格式。
对于巨大、没有存储边界的文件，如日志文件，可以考虑如下选项：
（1）存储未经压缩的文件
（2）使用支持切分的存储格式，如bzip2
（3）在应用中切分文件成块，然后压缩。这种情况，需要合理选择数据库的大小，以确保压缩后数据近似HDFS块的大小
（4）使用顺序文件（Sequence File），它支持压缩和切分
（5）使用一个Avro数据文件，改文件支持压缩和切分，就像顺序文件一样，但增加了许多编程语言都可读写的优势
对于大文件来说，不应该使用不支持切分整个文件的压缩格式，否则将失去数据的本地特性，进而造成MapReduce应用效率低下。
序列化，是将结构化对象转换为字节流，以便传输或存储。反序列化，是指字节流转回结构化对象的逆过程。
序列化在分布式数据处理的两大领域经常出现：进程间通信和永久存储。
Hadoop使用自己的序列化格式Writable，它格式紧凑，速度快，但很难用Java以外的语言进行扩展或使用。因为Writable是Hadoop的核心，大多数MapReduce程序的键和值都会使用它。
Writable接口定义了两个方法：一个将其状态写到DataOutput二进制流，另一个从DataInput二进制流读取状态，代码如下：
package org.apache.hadoop.io;
import java.io.DataOutput;
import java.io.DataInput;
import java.io.IOException;
public interface Writable {
void write(DataOutput output) throws IOException;
void readFields(DataInput in) throws IOException;
}
Hadoop自带的org.apache.hadoop.io包中有广泛的Writable类可供选择。
Writable类的层次结构如下图：
Java基本类型的Writable类：
Hadoop本身已经有如上的Writable实现可以满足大部分要求，但有些时候，我们可能还是需要根据自己的需求构造一个新的实现。由于Writable是MapReduce数据IO的核心，所以调整成二进制表示能对性能产生显著效果。
如下演示存储一对Text对象的Writable类型：
import java.io.*;
import org.apache.hadoop.io.*;
public class TextPair implements WritableComparable<TextPair> {
private Text first;
private Text second;
public TextPair() {
set(new Text(), new Text());
}
public TextPair(Text first, Text second) {
set(first, second);
}
public void set(Text first, Text second) {
this.first = first;
this.second = second;
}
public Text getFirst() {
return first;
}
public Text getSecond() {
return second;
}
// @Override
public void write(DataOutput out) throws IOException {
first.write(out);
second.write(out);
}
// @Override
public void readFields(DataInput in) throws IOException {
first.readFields(in);
second.readFields(in);
}
@Override
public int hashCode() {
return first.hashCode() * 163 + second.hashCode();
}
@Override
public boolean equals(Object o) {
if (o instanceof TextPair) {
TextPair tp = (TextPair) o;
return first.equals(tp.first) && second.equals(tp.second);
}
return false;
}
@Override
public String toString() {
return first + "\t" + second;
}
// @Override
public int compareTo(TextPair tp) {
int cmp = first.compareTo(tp.first);
if (cmp != 0) {
return cmp;
}
return second.compareTo(tp.second);
}
}
import java.io.IOException;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.WritableComparator;
import org.apache.hadoop.io.WritableUtils;
public class Comparator extends WritableComparator {
private static final Text.Comparator TEXT_COMPARATOR = new Text.Comparator();
public Comparator() {
super(TextPair.class);
}
@Override
public int compare(byte[] b1, int s1, int l1, byte[] b2, int s2, int l2) {
try {
int firstL1 = WritableUtils.decodeVIntSize(b1[s1])
+ readVInt(b1, s1);
int firstL2 = WritableUtils.decodeVIntSize(b2[s2])
+ readVInt(b2, s2);
int cmp = TEXT_COMPARATOR.compare(b1, s1, firstL1, b2, s2, firstL2);
if (cmp != 0) {
return cmp;
}
return TEXT_COMPARATOR.compare(b1, s1 + firstL1, l1 - firstL1, b2,
s2 + firstL2, l2 - firstL2);
} catch (IOException e) {
throw new IllegalArgumentException(e);
}
}
static {
WritableComparator.define(TextPair.class, new Comparator());
}
}
Doug Cutting这样解释：“为什么开始设计Hadoop的时候我不用Java Serialization？因为它看起来太复杂，而我认为需要有一个非常精简的机制，可以用于精确控制对象的读和写，因为这个机制是Hadoop的核心。使用Java Serialization后，虽然可以获得一些控制权，但用起来非常纠结。不用RMI也处于类似的考虑。高效、高性能的进程间通信是Hadoop的关键。我觉得我们需要精确控制连接、延迟和缓冲的处理方式，然而RMI对此无能为力。”
Doug认为Java序列化不满足序列化的标准：精简、快速、可扩展、互操作。
精简：Writable不把类名写到数据流，它假设客户端知道会收到什么类型，结果是这个格式比Java序列化更加精简，同时支持 随机存取和访问，因为流中的每一条记录均独立于其他记录。
高效：Writable对象可以（并且通常）重用，对于MapRe作业（主要对只有几个类型的大量对象进行序列化和反序列化），不需要为新建对象分配空间而得到的存储节省是非常可观的。
Apache Avro是一个独立于编程语言的数据序列化框架。该项目是由Doug Cutting创建的，旨在解决Hadoop中Writable类型的不足：缺乏语言的可移植性。
本篇不介绍这个框架，可以参阅官方网址：http://avro.apache.org 。
顺序文件，即流式文件，二进制文件。Hadoop开发了一组对象，来处理顺序文件。
（1）写入SequenceFile对象
import java.io.*;
import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.*;
public class SequenceFileWriteDemo {
private static final String[] DATA = { "One,two", "Threw,four", "Five,six",
"Seven,eitht", "Nine,ten" };
public static void main(String[] args) throws IOException {
String uri = "/test/numbers.seq";
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(URI.create(uri), conf);
Path path = new Path(uri);
IntWritable key = new IntWritable();
Text value = new Text();
SequenceFile.Writer writer = null;
try {
writer = SequenceFile.createWriter(fs, conf, path, key.getClass(),
value.getClass());
for (int i = 0; i < 100; i++) {
key.set(100 - i);
value.set(DATA[i % DATA.length]);
System.out.printf("[%s]\t%s\t%s\n", writer.getLength(), key,
value);
writer.append(key, value);
}
} finally {
IOUtils.closeStream(writer);
}
}
}
writer.getLength()实际取出的是流式文件的偏移量，是记录的边界。
（2）读取SequenceFile
import java.io.*;
import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.*;
import org.apache.hadoop.util.ReflectionUtils;
public class SequenceFileReadDemo {
public static void main(String[] args) throws IOException {
String uri = "/test/numbers.seq";
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(URI.create(uri), conf);
Path path = new Path(uri);
SequenceFile.Reader reader = null;
try {
reader = new SequenceFile.Reader(fs, path, conf);
Writable key = (Writable) ReflectionUtils.newInstance(
reader.getKeyClass(), conf);
Writable value = (Writable) ReflectionUtils.newInstance(
reader.getValueClass(), conf);
long position = reader.getPosition();
while (reader.next(key, value)) {
String syncSeen = reader.syncSeen() ? "*" : "";// 同步点
System.out.printf("[%s%s]\t%s\t%s\n", position, syncSeen, key,
value);
position = reader.getPosition();// beginning of next record
}
} finally {
IOUtils.closeStream(reader);
}
}
}同步点是指当数据读取的实例出错后，能够再一次与记录边界同步的数据流中的一个位置。同步点是SequenceFile.Writer记录的，在顺序文件写入过程中，每隔一定记录便插入一个特殊项标记同步标注。同步点始终位于记录的边界处。
（3）通过命令行接口显示及排序SequenceFile
hadoop fs -text 可以识别gzip压缩文件及顺序文件，其他格式，则认为是文本文件。
hadoop fs -text /test/numbers.seq
（1）写入MapFile
MapFile是已经排序的SequenceFile，并且已经加入用于搜索键的索引。
写入MapFile代码如下：
import java.io.*;
import java.net.URI;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.*;
import org.apache.hadoop.io.*;
public class MapFileWriteDemo {
private static final String[] DATA = { "One,two", "Threw,four", "Five,six",
"Seven,eitht", "Nine,ten" };
public static void main(String[] args) throws IOException {
String uri = "/test/numbers.map";
Configuration conf = new Configuration();
FileSystem fs = FileSystem.get(URI.create(uri), conf);
IntWritable key = new IntWritable();
Text value = new Text();
MapFile.Writer writer = null;
try {
writer = new MapFile.Writer(conf, fs, uri, key.getClass(), value.getClass());
for (int i = 0; i < 1024; i++) {
key.set(i+1);
value.set(DATA[i % DATA.length]);
writer.append(key, value);
}
} finally {
IOUtils.closeStream(writer);
}
}
}hadoop fs -text /test/numbers.map/data | head
hadoop fs -text /test/numbers.map/index | head
关于index文件，默认情况下，是每隔128个键才有一个，可以通过MapFile.Writer实例中的setIndexInterval()方法设置io.map.index.interval属性。增加间隔数量可以有效减少用于存储索引的内存，减小间隔数量，可以提高随机访问的时间。
原文：http://blog.csdn.net/puma_dong/article/details/24173333