HDFS中的sequence file

介绍

• sequence file是hadoop提供的一种二进制文件存储格式
• 一条数据称之为record（记录），底层直接以<key, value>键值对形式序列化到文件中
  

优缺点

• 优点
  • 二进制格式存储，比文本文件更紧凑
  • 支持不同级别压缩（基于record或block压缩）
  • 文件可以拆分和并行处理，适用于MapReduce程序
• 局限性
  • 二进制文件不方便查看
  • 特定于hadoop，只有java api可用于阈值进行交互。尚未提供多语言支持

格式

• 根据压缩类型，有3汇总不用sequence file格式：未压缩格式，record压缩格式，block压缩格式
• sequence file由一个header和多个record组成。以上三种格式均由使用相同的header结构，如下所示：前3个字节为SQE，表示该文件是序列文件，后跟一个字节表示实际版本号（例如SEQ4或SEQ6）.HEADER中其他也包括key，valueclass名字，压缩细节，metadata， Sync marker。sync marker同步标记，用于可以读取任意位置的数据
  

未压缩格式

• 未压缩的sequence file文件由header，record，sync三个部分组成。其中record包含了4个部分：record length（记录长度），key length（键长），key，value
• 每隔几个record（100个字节左右）就有一个同步标记
  

基于record压缩格式

基于record压缩的sequence file文件由header，record，sync三个部分组成。其中record包含了4个部分：record length（记录长度），key length（键长），key，compressed value（被压缩的值）

基于block压缩格式

• 基于block压缩的sequence file文件由header，block，sync三个部分组成
• block值得是record block，可以理解为多个record记录组成的块。注意这个block和hdfs中分块存储的block（128M）是不同的概念。block中包括:record条数，压缩的key长度，压缩的keys，压缩的value长度，压缩的values。每隔一个block就有一个同步标记
• block压缩比record压缩提供更好的压缩率。使用sequence file时，通常首选块压缩