如何在Hadoop中自动压缩文件？

Question

我对 Hadoop 完全陌生，我想压缩一个大文件并将其放在 HDFS 中。到目前为止，这就是我所做的 1）安装单节点集群 2) 我的 core-site.xml 就像

<configuration>
<property> <name>fs.defaultFS</name> 
<value>hdfs://localhost:9000</value> 
</property> 
<property> <name>io.compression.codecs</name>  
<value>com.hadoop.compression.lzo.LzoCodec</value> 
</property> 
</configuration>

现在，当我将本地 2GB 文件处理到 HDFS 时，使用以下命令。我仍然在 HDFS 中看到相同的大小。

hadoop fs -put 06_27_06_2016_tcp-leef.log-online /user/hduser/test/

不确定我在这里缺少什么，是否需要在 Hadoop 环境中启用任何其他属性，或者我是否需要为此编写 map-reduce 程序？所以要求是每当 HDFS 中出现新文件时，它应该自动压缩。

谢谢 虚拟机

Answer 1

我建议您编写 map-reduce 作业来压缩 hdfs 中的数据。不知道有没有办法对hadoop put操作做自动压缩，但是假设不存在。一种选择是放置已经压缩的文件：

gzip 06_27_06_2016_tcp-leef.log-online
hdfs dfs -put 06_27_06_2016_tcp-leef.log-online.gz /user/hduser/test/

另一种方法是在 mapreduce 作业中压缩它。 作为一个选项，您可以使用 hadoop 流 jar 来压缩 hdfs 中的文件：

hadoop jar $HADOOP_HOME/contrib/streaming/hadoop-streaming-0.20.2-cdh3u2.jar \
-Dmapred.output.compress=true \
-Dmapred.compress.map.output=true \
-Dmapred.output.compression.codec=com.hadoop.compression.lzo.LzoCodec \
-Dmapred.reduce.tasks=0 \
-input <input-path> \
-output $OUTPUT \

有一篇关于 hadoop 中数据压缩的好文章，希望对您有所帮助：

http://comphadoop.weebly.com/