我们正在选择文件格式来存储我们的原始日志，主要要求是压缩和可拆分的。到目前为止，块压缩（无论哪种编解码器）SequenceFiles和Hadoop-LZO看起来最合适。
Map-Reduce 处理哪一个效率更高，整体上更容易处理？
问问题
867 次
1 回答
0
对于原始日志，推荐使用像 SequenceFileFormat 这样的容器文件格式，既支持压缩也支持拆分。要使用这种格式存储日志，您必须选择时间戳作为键，并将记录的行作为值。在我们的团队中，我们广泛使用 SequenceFiles。
对于可拆分的 LZO，您需要对文件进行预处理以生成索引。如果没有索引，MapReduce 框架会将整个文件作为单个拆分（一个映射器）处理，并且处理效率会很低。
在“Hadoop The Definitive Guide”一书中（我建议您阅读“压缩”部分），有一节推荐使用的压缩格式。根据建议，以下是从最有效到最无效的选择：
容器文件格式，如 SequenceFile、Avro、ORCFiles、Parquet 文件，具有 LZO、LZ4 或 Snappy 等快速压缩器
支持拆分的压缩格式：bzip2或可拆分的LZO
将文件拆分成块并使用压缩格式分别压缩每个块
于 2015-10-11T02:02:52.430 回答