Hadoop I\O之一

1，保持数据完整性：常用的检测方法就是CRC (循环冗余校验和）

HDFS以透明方式校验所有写入的数据，针对数据的io.bytes.per.checksum字节创建一个单独的校验和，如果节点检测数据错误，就会报CheckSumException异常；除了在读取数据时进行验证，数据节点也会在后台运行一个进程 DataBlockScanner（数据块检测程序）验证存储在数据节点上的所有块。

我们可以使用FileSystem.setVerifyChecksum（false）来禁用校验和验证，也可以在shell命令中使用-ignoreCrc选项

禁用校验的另一种可能：底层RawLocalFileSystem原生支持校验和，通过设置fs.file.impl的值为org.apache.hadoop.fs.RawLocalFileSystem或者建立它的实例

LocalFileSystem使用ChecksumFileSystem ，它的两个有用方法 getChecksumFile（）和reportChecksumFailure（）

2，压缩

常见的用于hadoop的压缩格式

特别注意：gzip和zip是通用压缩工具，空间和时间处理上相对平衡，bzip2压缩更有效，但比较慢，lzo使用速度最优算法，但压缩效率低；在分割性上，zip和bzip2可以分割，bzip2提供了块与块的同步标记，支持随机分割，zip支持文件边界处分割。适合mapreduce算法！

3，编码解码器

使用CompressionCodec createOutputStream--CompressionOutputStream  createInputStream--CompressionInputStream

使用CompressionCodecFactory.getCodec（path）--CompressionCodec 通过 removeSuffix移除文件后缀

压缩池CodecPool 来处理大量的解压缩任务  getCompressor（CompressionCodec），returnCompressor（compressor）

在MapReduce中引入压缩 设置：mapred.output.compress  true, mapred.output.compression.codec 某种编码类；

map输出结果的压缩：setCompressionMapOutput（true） setMapOutputCompressorClass（GzipCodec.Class）