6.4.6 优化数据序列化

如何存储和传输数据对性能有很大的影响。在这部分将介绍数据序列化的最佳实践，从Hadoop中榨出最大的性能。

 

压缩

压缩是Hadoop优化的重要部分。通过压缩可以减少作业输出数据的储存足迹，加速MapReduce作业下游接收数据。另外，在map和reduce之间的数据需要被压缩以减轻网络IO的压力。压缩技术的具体内容在第5章中介绍。

 

二进制文件格式

使用二进制文件格式，如Avro和SequenceFile，可以使数据的表达更为紧凑，并提高编组（marshalling）和逆编组的效率，相比文本格式要更为高效。在第3章中详细介绍了这些文件格式。

即便MapReduce的最终输出结果不是二进制文件，在处理的中间步骤应用二进制文件格式也可以提高性能。例如，如果有一系的MapReduce作业需要执行，那么每个作业的输出结果应当保存为Avro或SequenceFile格式，再在最后的作业中将这些二进制格式转换为目标格式。

 

6.5 章节小结

在这章中介绍了MapReduce作业性能调优的三个必备要素：

1. 确保精确的度量，理解如何获得MapReduce和系统的性能指标
2. 使用性能指标来减少潜在的性能问题
3. 通过检查MapRecue/HDFS配置，优化MapReduce洗牌/排序阶段，优化用户JAVA代码，来修复常见的性能问题。

在第4部分中，将介绍如何在数据科学中应用Hadoop，如何建立复杂数据结构的模型，如何进行数据挖掘。