avro - AVRO的二进制编码会压缩数据吗？

Question

在我们的一个项目中，我们使用带有AVRO的Kafka在跨应用程序之间传输数据。数据被添加到AVRO对象，并且该对象被二进制编码以写入Kafka。我们使用二进制编码，因为与其他格式相比，二进制编码通常被认为是一种最小的表示形式。

数据通常是JSON字符串，当保存在文件中时，它会使用多达10 Mb的磁盘。但是，在压缩文件（.zip）时，它仅使用几个KB。我们担心将这些数据存储在Kafka中，因此在写入Kafka主题之前尝试进行压缩。

当测量二进制编码消息的长度（即字节数组的长度）时，它与数据字符串的长度成比例。因此，我假设二进制编码不会减小任何大小。

有人可以告诉我二进制编码是否压缩数据吗？如果没有，如何应用压缩？

谢谢！

Answer 1

二进制编码是否可以压缩数据？


是和否，这取决于您的数据。

根据avro binary encoding的说法，是的，它只为每个.avro文件存储一次架构，而不管该文件中有多少数据，因此节省了一些空间，而无需多次存储JSON的键名。而且avro序列化通过存储int和长时间利用variable-length zig-zag编码（仅适用于较小的值）来进行位压缩。对于其他情况，avro不会“压缩”数据。

不，在某些极端情况下，avro序列化数据可能会比原始数据大。例如。一个.avro文件和一个Record文件，其中只有一个字符串字段。架构开销可能会导致不需要存储键名而导致的节省。


如果没有，如何应用压缩？


根据avro codecs，avro具有内置的压缩​​编解码器和可选的压缩编解码器。编写对象容器文件时只需添加一行：

DataFileWriter.setCodec(CodecFactory.deflateCodec(6)); // using deflate

要么

DataFileWriter.setCodec(CodecFactory.snappyCodec()); // using snappy codec

要使用snappy，您需要将snappy-java库包含到依赖项中。