简述Hadoop压缩的优缺点

Hadoop框架默认支持多种数据块压缩算法，如Deflate、Gzip、BZip2等，这主要有以下几个优点：

**优点：**
1. **存储效率提高**：通过压缩，可以显著减少存储空间的需求，对于大数据集尤其有利。
2. **I/O性能优化**：在网络传输和硬盘读写时，压缩后的数据通常更小，可以减少通信开销和磁盘I/O时间。
3. **计算资源利用率提升**：MapReduce任务处理的是压缩的数据块，减少了数据传输次数，提高了集群效率。

然而，Hadoop压缩也有其局限性和缺点：

**缺点：**
1. **CPU消耗增加**：对数据进行压缩和解压需要额外的计算资源，尤其是在节点有限的情况下可能会成为瓶颈。
2. **压缩/解压缩延迟**：在数据块写入和读取时，可能会有短暂的延迟，因为要先压缩或解压缩数据。
3. **不适合实时分析**：对于实时查询和低延迟需求的应用，频繁的压缩/解压缩操作可能导致性能下降。

**相关问题--:**
1. Hadoop支持哪些压缩算法？
2. 如何在Hadoop配置文件中选择压缩算法？
3. 对于大量实时数据，Hadoop压缩会如何影响性能？