在 Spark 中读取 Avro 文件

Posted 2023-03-23

【中文标题】在 Spark 中读取 Avro 文件

【英文标题】：Reading Avro File in Spark

【发布时间】：2018-01-03 17:57:19

【问题描述】：

我已将 avro 文件读入 spark RDD，需要将其转换为 sql 数据帧。我该怎么做。

这是我到目前为止所做的。

import org.apache.avro.generic.GenericRecord
import org.apache.avro.mapred.AvroInputFormat, AvroWrapper
import org.apache.hadoop.io.NullWritable

val path = "hdfs://dds-nameservice/user/ghagh/"
val avroRDD = sc.hadoopFile[AvroWrapper[GenericRecord], NullWritable, AvroInputFormat[GenericRecord]](path)

当我这样做时：

avro.take(1)

我回来了

res1: Array[(org.apache.avro.mapred.AvroWrapper[org.apache.avro.generic.GenericRecord], org.apache.hadoop.io.NullWritable)] = Array(("column1": "value1", "column2": "value2", "column3": value3,...

如何将其转换为 SparkSQL 数据帧？

我使用的是 Spark 1.6

谁能告诉我是否有一个简单的解决方案？

【参考方案1】：

对于DataFrame，我会选择Avro data source directly：

在包列表中包含 spark-avro。对于最新版本，请使用：

com.databricks:spark-avro_2.11:3.2.0

加载文件：

val df = spark.read
  .format("com.databricks.spark.avro")
  .load(path)

【讨论】：

--packages org.apache.spark:spark-avro_2.11:2.4.4 也可以工作，而--packages org.apache.spark:spark-avro_2.12:2.4.4 不能。详情在issue

【参考方案2】：

如果您的项目是 maven，则在 pom.xml 中添加以下最新依赖项

<dependency>
   <groupId>com.databricks</groupId>
   <artifactId>spark-avro_2.11</artifactId>
   <version>4.0.0</version>
</dependency>

之后，您可以读取avro 文件，如下所示

val df=spark.read.format("com.databricks.spark.avro").option("header","true").load("C:\\Users\\alice\\inputs\\sample_data.avro")