Hadoop使用lzo压缩输出

Hadoop处理大量的数据，如果期间的输出数据、中间数据能压缩存储，对系统的I/O性能会有提升。

参考了网上不少资料，发现综合考虑压缩、解压速度、是否支持split，目前lzo是最好的选择。lzo最初在google code上托管，但后来转移到github了，所以以github为准。地址为：

https://github.com/kevinweil/hadoop-lzo

步骤如下：

1. 安装lzo
我的是centos，所以yum search lzo后，安装对应版本的devel包。

2. 到github下载hadoop-lzo的tar包安装

https://github.com/kevinweil/hadoop-lzo/downloads

准备条件：编译hadoop-lzo得有gcc、ant

解压后，到hadoop-lzo目录下，运行：

ant compile-native tar

原无意外的话，就会生成hadoop-lzo-0.4.15.jar

3. 把hadoop-lzo-0.4.15.jar拷贝到hadoop的lib目录下，此外把
hadoop-lzo/build/native/Linux-amd64-64/lib下的.a、.la、so等文件拷贝到hadoop的lib/native/Linux-amd64-64下，之后重启hadoop


那么就可以在程序中，把输出结果通过lzo压缩：

SequenceFileOutputFormat.setOutputCompressionType(job, CompressionType.BLOCK);
		SequenceFileOutputFormat.setCompressOutput(job, true);
		SequenceFileOutputFormat.setOutputCompressorClass(job, LzoCodec.class);

hadoop读取这些文件时，会自动解压。


hadoop上比较好的压缩库，都是native方式，配置起来挺麻烦的。
配置过程中，就老提示：Could not load native gpl library

文件该复制都复制了，最终的解决办法是在eclipse中，右击项目--build path，选择libraries--点击hadoop-lzo-0.4.15.jar，展开后，双击其下的：Native library location，选择编译好的hadoop-lzo的native文件所在路径，我填的是：

hadoop-lzo/build/native/Linux-amd64-64/lib

发现压缩后的文件大概为原来的50%。

最后，附上官方的hadoop—lzo配置说明：

https://github.com/kevinweil/hadoop-lzo/blob/master/README.md
http://code.google.com/a/apache-extras.org/p/hadoop-gpl-compression/wiki/FAQ?redir=1

--------------------------------------------------------------------

补充：在red hat 4下，yum install的是1.0版本的lzo，要升级成ver 2的才行。下载rpm包安装：

wget ftp://ftp.univie.ac.at/systems/linux/dag/redhat/el4/en/x86_64/dag/RPMS/lzo-2.04-1.el4.rf.x86_64.rpm  
wget ftp://ftp.univie.ac.at/systems/linux/dag/redhat/el4/en/x86_64/dag/RPMS/lzo-devel-2.04-1.el4.rf.x86_64.rpm 

rpm -ivh lzo-2.04-1.el4.rf.x86_64.rpm
rpm -ivh lzo-devel-2.04-1.el4.rf.x86_64.rpm

详情请参考这位xd的文章：

http://blog.csdn.net/kalaamong/article/details/7275185