Hadoop之AVRO

Posted 2020-08-06

    Avro是个支持多语言的数据序列化框架，支持c，c++，c＃，python，java，php，ruby，java。他的诞生主要是为了弥补Writable只支持java语言的缺陷。

1 AVRO简介

很多人会问类似的框架还有Thrift和Protocol，那为什么不使用这些框架，而要重新建一个框架呢，或者说Avro有哪些不同。首先，Avro和其他框架一样，数据是用与语言无关的schema描述的，不同的是Avro的代码生成是可选的，schema和数据存放在一起，而schema使得整个数据的处理过程并不生成代码、静态数据类型等，为了实现这些，需要假设读取数据的时候模式是已知的，这样就会产生紧耦合的编码，不再需要用户指定字段标识。

Avro的schema是JSON格式的，而编码后的数据是二进制格式（当然还有其他可选项）的，这样对于已经拥有JSON库的语言可以容易实现。

Avro还支持扩展，写的schema和读的schema不一定要是同一个，也就是说兼容新旧schema和新旧客户端的读取，比如新的schema增加了一个字段，新旧客户端都能读旧的数据，新客户端按新的schema去写数据，当旧的客户端读到新的数据时可以忽略新增的字段。

Avro还支持datafile文件，schema写在文件开头的元数据描述符里，Avro datafile支持压缩和分割，这就意味着可以做Mapreduce的输入。

 

2 Avro Schemas

2.1 Schema 定义

Schema是JSON格式的，包括下面三种形式：

1.JSON string类型,主要是原生类型

2.JSON 数组，主要是union

3.JSON 对象，格式：

{"type": "typeName" ...attributes...}

包括除原生类型和union以外的其他类型，attributes可以包括avro未定义的属性，这些属性并不会影响数据的序列化。

 

2.2 原生类型

总共8种原生类型null,boolean,int,long,float,double,bytes,strings.

1.原生类型不需要attributes

2.可以通过type指定“string” 和 ｛"type":"string"｝是等同的

3.不同语言的实现是不同的，比如double类型，在C,C++和java里就是double,而在Python里是float，在Ruby里是Float.

 

2.3 复合类型

1、records

records一般是序列化数据的最终展现单元，而且可以自己嵌套。

{
  "type":"record",
  "name":"LongList",
  "aliases":["LinkedLongs"],                     
  "fields" : [
    {"name":"value", "type": "long"},            
    {"name":"next", "type": ["LongList", "null"]}
  ]
}

2、enums，枚举。

{ "type": "enum",
  "name":"Suit",
  "symbols" :["SPADES", "HEARTS", "DIAMONDS","CLUBS"]
}

3、arrays，数组。

{"type": "array", "items":"string"}

 

4、maps

map，keys必须是string，所以这里只指定了values的类型

{"type": "map", "values": "long"}

5、unions

不能包含两个或者两个以上没有name属性的相同类型

["string", "null"]

6、fixed

size指定每个值占用多少个字节

{"type": "fixed", "size": 16,"name": "md5"}

 

2.4 三种mapping

generic mapping

针对一种语言来说可能有不同的mapping，但是所有语言必须支持动态mapping，在处理之前并不知道schema

specific mapping

java和C++都可以事先生成源代码，比generic mapping有更多domain-oriented的api

reflect mapping

使用反射将avro类型转换成java类型，但这种mapping比前两种都慢，故弃用。

 

3 Avro序列化与反序列化

3.1 准备工作

将一下schema保存成文件StringPair.avsc,放在src/test/resources目录下。

{
   "type":"record",
   "name":"StringPair",
    "doc":"A pair ofstrings",
    "fields":[
       {"name":"left","type":"string"},
       {"name":"right","type":"string"}
    ]
}

引入最新版本的avro时要主要，最新的avro包为1.7.4，依赖org.codehaus.jackson:jackson-core-asl:1.8.8包，但是maven库中已经没有该版本，所以要换成其他版本。

<dependency>
<groupId>org.codehaus.jackson</groupId>
<artifactId>jackson-core-asl</artifactId>
<version>1.9.9</version>
</dependency>

如果你用的是1.0.4版本的hadoop（或者其他版本），依赖于jackson-mapper-asl，如果与jackson-core-asl版本不一致就会产生找不到方法等异常你需要入引入相同版本。

<dependency>
<groupId>org.codehaus.jackson</groupId>
<artifactId>jackson-mapper-asl</artifactId>
<version>1.9.9</version>
</dependency>

3.2 generic方式

package com.sweetop.styhadoop;
 
import junit.framework.Assert;
import org.apache.avro.Schema;
import org.apache.avro.generic.GenericData;
import org.apache.avro.generic.GenericDatumReader;
import org.apache.avro.generic.GenericDatumWriter;
import org.apache.avro.generic.GenericRecord;
import org.apache.avro.io.*;
import org.junit.Test;
 
import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.IOException;
 
/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-8-5
 * Time: 下午7:59
 * To change this template use File| Settings | File Templates.
 */
public class TestGenericMapping {
    @Test
    public void test() throwsIOException {
        //将schema从StringPair.avsc文件中加载
        Schema.Parser parser = newSchema.Parser();
        Schema schema =parser.parse(getClass().getResourceAsStream("/StringPair.avsc"));
 
        //根据schema创建一个record示例
          GenericRecord datum = newGenericData.Record(schema);
        datum.put("left","L");
        datum.put("right","R");
 
 
        ByteArrayOutputStream out =new ByteArrayOutputStream();
        //DatumWriter可以将GenericRecord变成edncoder可以理解的类型
       DatumWriter<GenericRecord> writer = newGenericDatumWriter<GenericRecord>(schema);
        //encoder可以将数据写入流中，binaryEncoder第二个参数是重用的encoder，这里不重用，所用传空
        Encoder encoder =EncoderFactory.get().binaryEncoder(out, null);
        writer.write(datum,encoder);
        encoder.flush();
        out.close();
 
       DatumReader<GenericRecord> reader=newGenericDatumReader<GenericRecord>(schema);
        Decoderdecoder=DecoderFactory.get().binaryDecoder(out.toByteArray(),null);
        GenericRecordresult=reader.read(null,decoder);
       Assert.assertEquals("L",result.get("left").toString());
       Assert.assertEquals("R",result.get("right").toString());
    }
}

result.get返回的是utf-8格式，需要调用toString方法，才能和字符串一致。

 

3.3 specific方式

首先使用avro-maven-plugin生成代码，pom的配置。

<plugin>
<groupId>org.apache.avro</groupId>
<artifactId>avro-maven-plugin</artifactId>
<version>1.7.0</version>
<executions>
<execution>
<id>schemas</id>
<phase>generate-sources</phase>
       <goals>
<goal>schema</goal>
 </goals>
        <configuration>
           <includes>
               <include>StringPair.avsc</include>
           </includes>
<sourceDirectory>src/test/resources</sourceDirectory>                         <outputDirectory>${project.build.directory}/generated-sources/java</outputDirectory>
         </configuration>
      </execution>
</executions>
</plugin>

avro-maven-plugin插件绑定在generate-sources阶段，调用mvn generate-sources即可生成源代码，我们来看下生成的源代码：

package com.sweetop.styhadoop;
 
/**
 * Autogenerated by Avro
 * <p/>
 * DO NOT EDIT DIRECTLY
 */
@SuppressWarnings("all")
/** A pair of strings */
public class StringPair extendsorg.apache.avro.specific.SpecificRecordBase implementsorg.apache.avro.specific.SpecificRecord {
    public static finalorg.apache.avro.Schema SCHEMA$ = new org.apache.avro.Schema.Parser().parse("{\"type\":\"record\",\"name\":\"StringPair\",\"doc\":\"Apair ofstrings\",\"fields\":[{\"name\":\"left\",\"type\":\"string\",\"avro.java.string\":\"String\"},{\"name\":\"right\",\"type\":\"string\"}]}");
    @Deprecated
    public java.lang.CharSequence left;
    @Deprecated
    public java.lang.CharSequenceright;
 
    public org.apache.avro.SchemagetSchema() {
        return SCHEMA$;
    }
 
    // Used by DatumWriter.  Applications should not call.
    public java.lang.Object get(intfield$) {
        switch (field$) {
            case 0:
                return left;
            case 1:
                return right;
            default:
                throw neworg.apache.avro.AvroRuntimeException("Bad index");
        }
    }
 
    // Used by DatumReader.  Applications should not call.
    @SuppressWarnings(value ="unchecked")
    public void put(int field$,java.lang.Object value$) {
        switch (field$) {
            case 0:
                left =(java.lang.CharSequence) value$;
                break;
            case 1:
                right =(java.lang.CharSequence) value$;
                break;
            default:
                throw neworg.apache.avro.AvroRuntimeException("Bad index");
        }
    }
 
    /**
     * Gets the value of the ‘left‘field.
     */
    public java.lang.CharSequencegetLeft() {
        return left;
    }
    
     /**
     * Sets the value of the ‘left‘field.
     *
     * @param value the value toset.
     */
    public voidsetLeft(java.lang.CharSequence value) {
        this.left = value;
    }
 
    /**
     * Gets the value of the ‘right‘field.
     */
    public java.lang.CharSequencegetRight() {
        return right;
    }
 
    /**
     * Sets the value of the ‘right‘field.
     *
     * @param value the value toset.
     */
    public voidsetRight(java.lang.CharSequence value) {
        this.right = value;
    }
}

为了兼容之前的版本生成了一组get，put方法，1.6.0后生成添加了getter/setter方法，还有一个与Builder的类，没什么用已经被我删掉

schama里的name里可以使用命名空间，如com.sweetop.styhadoop.StringPair，这样生成的源代码才会是带package的。

那我们来看如果使用这个生成的类，和generic方式有什么不同：

package com.sweetop.styhadoop;
 
import junit.framework.Assert;
import org.apache.avro.Schema;
import org.apache.avro.io.*;
import org.apache.avro.specific.SpecificDatumReader;
import org.apache.avro.specific.SpecificDatumWriter;
import org.junit.Test;
 
import java.io.ByteArrayOutputStream;
import java.io.IOException;
 
/**
 * Created with IntelliJ IDEA.
 * User: lastsweetop
 * Date: 13-8-6
 * Time: 下午2:19
 * To change this template use File| Settings | File Templates.
 */
 public class TestSprecificMapping {
    @Test
    public void test() throwsIOException {
        //因为已经生成StringPair的源代码，所以不再使用schema了，直接调用setter和getter即可
        StringPair datum=newStringPair();
       datum.setLeft("L");
       datum.setRight("R");
 
        ByteArrayOutputStreamout=new ByteArrayOutputStream();
        //不再需要传schema了，直接用StringPair作为范型和参数，
       DatumWriter<StringPair> writer=newSpecificDatumWriter<StringPair>(StringPair.class);
        Encoder encoder=EncoderFactory.get().binaryEncoder(out,null);
        writer.write(datum,encoder);
        encoder.flush();
        out.close();
 
       DatumReader<StringPair> reader=newSpecificDatumReader<StringPair>(StringPair.class);
        Decoder decoder=DecoderFactory.get().binaryDecoder(out.toByteArray(),null);
        StringPairresult=reader.read(null,decoder);
       Assert.assertEquals("L",result.getLeft().toString());
       Assert.assertEquals("R",result.getRight().toString());
    }
 }

同点总结一下：

schema->StringPair.class,     GenericRecord->StringPair。

 

4 AvroDatafile

4.1 datafile组成

datafile的组成如下图：

datafile分为文件头是数据块，如果看图还是不明白，那么看这个应该会很清楚，datafile文件头的schema：

{"type": "record", "name":"org.apache.avro.file.Header",
 "fields" : [
   {"name":"magic", "type": {"type": "fixed","name": "Magic", "size": 4}},
   {"name":"meta", "type": {"type": "map","values": "bytes"}},
   {"name":"sync", "type": {"type": "fixed","name": "Sync", "size": 16}},
  ]
}

要注意的是16字节的同步标记，这个标记意味着datafile支持随机读，并且可以做分割，也意味着可以作为mapreduce的输入。

DataFileReader可以通过同步标记去随机读datafile文件。

void   seek(long position)
Move to a specific, known synchronization point, one returned fromDataFileWriter.sync() while writing.
void   sync(long position)
Move to the next synchronization point after a position.

 

4.2 datafile写操作

以代码注释的方式进行讲解：

//首先创建一个扩展名为avro的文件（扩展名随意，这里只是为了容易分辨）
File file = new File("data.avro");
//这行和前篇文章的代码一致，创建一个Generic Record的datum写入类
DatumWriter<GenericRecord> writer = newGenericDatumWriter<GenericRecord>(schema);
//和Encoder不同，DataFileWriter可以将avro数据写入到文件中
DataFileWriter<GenericRecord>dataFileWriter = new DataFileWriter<GenericRecord>(writer);
//创建文件，并且写入头信息
dataFileWriter.create(schema,file);
//写datum数据
dataFileWriter.append(datum);
dataFileWriter.append(datum);
dataFileWriter.close();

4.3 datafile读操作

以代码注释的方式进行讲解：

//这行也和前篇文章相同，Generic Record的datum读取类，有点不一样的就是这里不需要再传入schema，因为schema已经包含在datafile的头信息里:

DatumReader<GenericRecord> reader=newGenericDatumReader<GenericRecord>();
        //datafile文件的读取类，指定文件和datumreader
        DataFileReader<GenericRecord>dataFileReader=new DataFileReader<GenericRecord>(file,reader);
        //测试下读写的schema是否一致
       Assert.assertEquals(schema,dataFileReader.getSchema());
        //遍历GenericRecord
        for (GenericRecord record : dataFileReader){
           System.out.println("left="+record.get("left")+",right="+record.get("right"));
        }

    

5 Avro schema兼容

5.1 兼容条件

在实际的应用中，因为应用版本的问题经常遇到读和写的schema不相同的情况，幸运的是avro已经提供了相关的解决方案。

下面图示说明：

 

5.2 Record兼容

在hadoop的实际应用中，更多是以record的形式进行交互，接下来我们重点讲解下record的兼容。

首先从读写schema的角度取考虑，读写schema的不同无外乎就两种，读的schema比写的schema多了一个field，读的schema比写的schema少了一个field，这两种情况处理起来都很简单。

先看下写的schema：

{
   "type":"record",
   "name":"com.sweetop.styhadoop.StringPair",
    "doc":"A pair ofstrings",
    "fields":[
       {"name":"left","type":"string"},
       {"name":"right","type":"string"}
    ]
}

1、增加了field的情况

增加了field后的schema：

{
   "type":"record",
   "name":"com.sweetop.styhadoop.StringPair",
    "doc":"A pair ofstrings",
    "fields":[
       {"name":"left","type":"string"},
       {"name":"right","type":"string"},
       {"name":"description","type":"string","default":""}
    ]
}

用增加了field的schema取读数据。

new GenericDatumReader<GenericRecord>(null, newSchema)，第一个参数为写的schema，第二个参数为读的schema，

由于读的是avro datafile，schema已经在文件的头部指定，所以写的schema可以忽略掉。

    @Test
    public void testAddField()throws IOException {
        //将schema从newStringPair.avsc文件中加载
        Schema.Parser parser = newSchema.Parser();
        Schema newSchema =parser.parse(getClass().getResourceAsStream("/addStringPair.avsc"));
 
        File file = new File("data.avro");
       DatumReader<GenericRecord> reader = newGenericDatumReader<GenericRecord>(null, newSchema);
       DataFileReader<GenericRecord> dataFileReader = newDataFileReader<GenericRecord>(file, reader);
        for (GenericRecord record :dataFileReader) {
           System.out.println("left=" + record.get("left") +",right=" + record.get("right") + ",description="
                    +record.get("description"));
        }
    }

输出结果为：

left=L,right=R,description=
left=L,right=R,description=

description用默认值空字符串代替。

 

2、减少了field的情况

减少了field的schema：

{
   "type":"record",
   "name":"com.sweetop.styhadoop.StringPair",
    "doc":"A pair ofstrings",
    "fields":[
        {"name":"left","type":"string"}
    ]
}

用减少了field的schema取读取：

   @Test
    public void testRemoveField()throws IOException {
        //将schema从StringPair.avsc文件中加载
        Schema.Parser parser = newSchema.Parser();
        Schema newSchema = parser.parse(getClass().getResourceAsStream("/removeStringPair.avsc"));
 
        File file = newFile("data.avro");
       DatumReader<GenericRecord> reader = newGenericDatumReader<GenericRecord>(null, newSchema);
       DataFileReader<GenericRecord> dataFileReader = newDataFileReader<GenericRecord>(file, reader);
        for (GenericRecord record :dataFileReader) {
           System.out.println("left=" + record.get("left"));
        }
    }

输出结果为：

left=L
left=L

删除的field被忽略掉。

 

3、新旧版本schema

如果从新旧版本的角度取考虑。

新版本schema比旧版本schema增加了一个字段

1.新版本取读旧版本的数据，使用新版本schema里新增field的默认值

2.旧版本读新版本的数据，新版本schema里新增field被旧版本的忽略掉

新版本schema比旧版半schema较少了一个字段

1.新版本读旧版本的数据，减少的field被新版本忽略掉

2.旧版本读新版本的数据，旧版本的schema使用起被删除field的默认值，如果没有就会报错，那么升级旧版本。

 

5.3 别名

别名是另一个用于schema兼容的方法，可以将写的schema的field名字转换成读的schema的field，记住并不是加了aliases字段。

而是将写的filed的name属性变为aliases，读的时候只认name属性。

来看下加了别名的schema：

{
   "type":"record",
   "name":"com.sweetop.styhadoop.StringPair",
    "doc":"A pair ofstrings",
    "fields":[
       {"name":"first","type":"string","aliases":["left"]},
       {"name":"second","type":"string","aliases":["right"]}
    ]
}

使用别名schema去读数据，这里不能再用left，right，而要用first，second：

   @Test
    public void testAliasesField()throws IOException {
        //将schema从StringPair.avsc文件中加载
        Schema.Parser parser = newSchema.Parser();
        Schema newSchema =parser.parse(getClass().getResourceAsStream("/aliasesStringPair.avsc"));
 
        File file = newFile("data.avro");
       DatumReader<GenericRecord> reader = newGenericDatumReader<GenericRecord>(null, newSchema);
        DataFileReader<GenericRecord>dataFileReader = new DataFileReader<GenericRecord>(file, reader);
        for (GenericRecord record :dataFileReader) {
           System.out.println("first=" +record.get("first")+",second="+record.get("second"));
        }
    }

输出结果为：

first=L,second=R
first=L,second=R

本文出自 “王威” 博客，请务必保留此出处http://jaydenwang.blog.51cto.com/6033165/1845326