导航：首页 > 互联网科技 >

Hadoop之AVRO

发表于：2025-02-01 作者：千家信息网编辑

千家信息网最后更新 2025年02月01日，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

千家信息网最后更新 2025年02月01日Hadoop之AVRO

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。

org.codehaus.jacksonjackson-core-asl1.9.9

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。

org.codehaus.jacksonjackson-mapper-asl1.9.9

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 writer = newGenericDatumWriter(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 reader=newGenericDatumReader(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。

org.apache.avroavro-maven-plugin1.7.0schemasgenerate-sources       schema                                   StringPair.avsc           src/test/resources                         ${project.build.directory}/generated-sources/java

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 *  * 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 writer=newSpecificDatumWriter(StringPair.class);        Encoder encoder=EncoderFactory.get().binaryEncoder(out,null);        writer.write(datum,encoder);        encoder.flush();        out.close();        DatumReader reader=newSpecificDatumReader(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 writer = newGenericDatumWriter(schema);//和Encoder不同，DataFileWriter可以将avro数据写入到文件中DataFileWriterdataFileWriter = new DataFileWriter(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 reader=newGenericDatumReader();        //datafile文件的读取类，指定文件和datumreader        DataFileReaderdataFileReader=new DataFileReader(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(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 reader = newGenericDatumReader(null, newSchema);       DataFileReader dataFileReader = newDataFileReader(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 reader = newGenericDatumReader(null, newSchema);       DataFileReader dataFileReader = newDataFileReader(file, reader);        for (GenericRecord record :dataFileReader) {           System.out.println("left=" + record.get("left"));        }    }

输出结果为：

left=Lleft=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 reader = newGenericDatumReader(null, newSchema);        DataFileReaderdataFileReader = new DataFileReader(file, reader);        for (GenericRecord record :dataFileReader) {           System.out.println("first=" +record.get("first")+",second="+record.get("second"));        }    }

输出结果为：