在hadoop中使用lzo的压缩算法可以减小数据的大小和数据的磁盘读写时间，不仅如此，lzo是基于block分块的，这样他就允许数据被分解成chunk，并行的被hadoop处理。这样的特点，就可以让lzo在hadoop上成为一种非常好用的压缩格式。
lzo本身不是splitable的，所以当数据为text格式时，用lzo压缩出来的数据当做job的输入是一个文件作为一个map。但是 sequencefile本身是分块的，所以sequencefile格式的文件，再配上lzo的压缩格式，就可实现lzo文件方式的 splitable。
由于压缩的数据通常只有原始数据的1/4，在HDFS中存储压缩数据，可以使集群能保存更多的数据，延长集群的使用寿命。不仅如此，由于 mapreduce作业通常瓶颈都在IO上，存储压缩数据就意味这更少的IO操作，job运行更加的高效。但是，在hadoop上使用压缩也有两个比较麻烦的地方：第一，有些压缩格式不能被分块，并行的处理，比如gzip。第二，另外的一些压缩格式虽然支持分块处理，但是解压的过程非常的缓慢，使job的瓶颈转移到了cpu上，例如bzip2。比如我们有一个1.1GB的gzip文件，该文件 被分成128MB/chunk存储在hdfs上，那么它就会被分成9块。为了能够在mapreduce中并行的处理各个chunk，那么各个mapper之间就有了依赖。而第二个mapper就会在文件的某个随机的byte出进行处理。那么gzip解压时要用到的上下文字典就会为空，这就意味这gzip的压缩文件无法在hadoop上进行正确的并行处理。也就因此在hadoop上大的gzip压缩文件只能被一个mapper来单个的处理，这样就很不高效，跟不用mapreduce没有什么区别了。而另一种bzip2压缩格式，虽然bzip2的压缩非常的快，并且甚至可以被分块，但是其解压过程非常非常的缓慢，并且不能被用streaming来读取，这样也无法在hadoop中高效的使用这种压缩。即使使用，由于其解压的低效，也会使得job的瓶颈转移到 cpu上去。
如果能够拥有一种压缩算法，即能够被分块，并行的处理，速度也非常的快，那就非常的理想。这种方式就是lzo。lzo的压缩文件是由许多的小的 blocks组成(约256K)，使的hadoop的job可以根据block的划分来splitjob。不仅如此，lzo在设计时就考虑到了效率问题，它的解压速度是gzip的两倍，这就让它能够节省很多的磁盘读写，它的压缩比的不如gzip，大约压缩出来的文件比gzip压缩的大一半，但是这样仍然比没有经过压缩的文件要节省20%-50%的存储空间，这样就可以在效率上大大的提高job执行的速度。以下是一组压缩对比数据，使用一个8.0GB的未经过压缩的数据来进行对比：
可以看出，lzo压缩文件会比gzip压缩文件稍微大一些，但是仍然比原始文件要小很多倍，并且lzo文件压缩的速度几乎相当于gzip的5倍，而解压的速度相当于gzip的两倍。lzo文件可以根据blockboundaries来进行分块，比如一个1.1G的lzo压缩文件，那么处理第二个 128MBblock的mapper就必须能够确认下一个block的boundary，以便进行解压操作。lzo并没有写什么数据头来做到这一点，而是实现了一个lzoindex文件，将这个文件(foo.lzo.index)写在每个foo.lzo文件中。这个index文件只是简单的包含了每个 block在数据中的offset，这样由于offset已知的缘故，对数据的读写就变得非常的快。通常能达到90-100MB/秒，也就是10-12秒就能读完一个GB的文件。一旦该index文件被创建，任何基于lzo的压缩文件就能通过load该index文件而进行相应的分块，并且一个block 接一个block的被读取。也因此，各个mapper都能够得到正确的block，这就是说，可以只需要进行一个LzopInputStream的封装，就可以在hadoop的mapreduce中并行高效的使用lzo。如果现在有一个job的InputFormat是TextInputFormat，那么就可以用lzop来压缩文件，确保它正确的创建了index，将TextInputFormat换成LzoTextInputFormat，然后job 就能像以前一样正确的运行，并且更加的快。有时候，一个大的文件被lzo压缩过之后，甚至都不用分块就能被单个mapper高效的处理了。
在hadoop集群中安装lzo
要在hadoop中搭建lzo使用环境非常简单：
安装lzop native libraries
例如：sudo yum install lzop lzo2
从如下地址下载 hadooplzo支持到源代码：http://github.com/kevinweil/hadoop-lzo
编译从以上链接checkout下来到代码，通常为：ant compile-native tar
将编译出来到hadoop-lzo-*.jar部署到hadoop集群到各个slave到某个有效目录下，如$HADOOOP_HOME/lib
将以上编译所得到hadoop-lzo native libbinary部署到集群到某个有效目录下，如$HADOOP_HOME/lib/native/Linux-amd64-64。
将如下配置到 core-site.xml 中：
io.compression.codecsorg.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.BZip2Codec,com.hadoop.compression.lzo.LzoCodec,com.hadoop.compression.lzo.LzopCodec
io.compression.codec.lzo.class
com.hadoop.compression.lzo.LzoCodec
将如下配置到mapred-site.xml中：
mapred.child.env
JAVA_LIBRARY_PATH=/path/to/your/native/hadoop-lzo/libs
如果想要mapreduce再写中间结果时也使用压缩，可以将如下配置也写入到mapred-site.xml中。
mapred.map.output.compression.codec
com.hadoop.compression.lzo.LzoCodec
如果以上所有操作都成功，那么现在就可以尝试使用lzo了。比如打包一个lzo都压缩文件，如lzo_log文件，上传到hdfs中，然后用以下命令进行测试：
hadoop jar /path/to/hadoop-lzo.jarcom.hadoop.compression.lzo.LzoIndexerhdfs://namenode:9000/lzo_logs
如果要写一个job来使用lzo，可以找一个job，例如wordcount，将当中到TextInputFormat修改为LzoTextInputForma，其他都不用修改，job就能从hdfs上读入lzo压缩文件，进行分布式都分块并行处理。
实例：
1.建立flow表：
use gj;
create table top_flow
(
src_address string,
dst_address string,
src_port int,
dst_port int,
trans_protocol int,
packets bigint,
bytes bigint,
flags string,
start_time timestamp,
duration double,
end_time timestamp,
sensor string
)
partitioned by (dd int,hh int,protocol int)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|';
--location 'hdfs://Hadoop:8020/user/hive/warehouse/gj.db/top_flow/'
生成top_flow的分区建立语句：
hdfs://Hadoop:8020/user/hive/warehouse/gj.d 777
hdfs://Hadoop:8020/user/hive/warehouse/gj.db/top_flow/dd=20140707/hh=1/protocol=6/ip=192.168.1.1/
[Hadoop:21000] > desc formatted top_flow;
hdfs://Hadoop:8020/user/hive/warehouse/gj.db/sim_event/dd=20140707/hh=1/devtype=TopIdp/ip=192.168.1.1/logtype=IPSAV/
create table sim_event
(
EVENT_ID
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t';
添分区：
alter table top_flow add partition(dd=20140707,hh=01,protocol=6);
hdfs dfs -chmod -R a+w hdfs://hadoop:8020/user/hive/warehouse/gj.db/top_flow/dd=20140707/hh=1/protocol=6
新建结构一样的表：
create table top_flow1 like top_flow;
添加分区：
alter table top_flow1 add partition(dd=20140707,hh=01,protocol=6);
alter table top_flow1 partition (dd=20140707,hh=1,protocol=6) set fileformat parquet;
插入数据
insert into table top_flow1 partition (dd=20140707,hh=1,protocol=6) select src_address,dst_address,src_port,dst_port,trans_protocol,packets,bytes,flags,start_time,duration,end_time,sensor from top_flow where dd=20140707 and hh=01 and protocol=17;
删除源表的数据
alter table top_flow drop partition (dd=20140707,hh=1,protocol=6)
或者传输文件：
----重要内容压缩表：
1.首先在本地(光盘)安装lzo包，然后安装
yum install hadoop-lzo-cdh4
--文件需要拷贝到多个系统的native目录下
yum install impala-lzo
2.编辑core-site.xml(注意传输文件到指定目录)
添加：
io.compression.codecs
org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.DeflateCodec,
org.apache.hadoop.io.compress.SnappyCodec,com.hadoop.compression.lzo.LzopCodec
拷贝native文件!!!
cp /usr/lib/hadoop/lib/native ${Hadop_Home}/lib/
重启mapreduce和impala服务
CREATE TABLE top_flow1 (
src_address string,
dst_address string,
src_port int,
dst_port int,
trans_protocol int,
packets bigint,
bytes bigint,
flags string,
start_time timestamp,
duration double,
end_time timestamp,
sensor string)
partitioned by (dd int,hh int,protocol int)
STORED AS
INPUTFORMAT 'com.hadoop.mapred.DeprecatedLzoTextInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';
insert into table top_flow1 partition (dd=20140707,hh=1,protocol=6) select src_address,dst_address,src_port,dst_port,trans_protocol,packets,bytes,flags,start_time,duration,end_time,sensor from top_flow where dd=20140707 and hh=1 and protocol=6;
建立索引，文件分块
hadoop jar /usr/lib/hadoop/lib/hadoop-lzo-cdh4-0.4.15-gplextras.jar com.hadoop.compression.lzo.DistributedLzoIndexer hdfs://hdfs:8020/user/hive/warehouse/gj.db/top_flow1/dd=20140707/hh=1/protocol=6/000000_0.lzo
[localhost:21000] > invalidate metadata;
0
