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。

我们提供的服务有:网站建设、成都网站建设、微信公众号开发、网站优化、网站认证、克州ssl等。为上1000家企事业单位解决了网站和推广的问题。提供周到的售前咨询和贴心的售后服务,是有科学管理、有技术的克州网站制作公司

1AVRO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.jackson
jackson-core-asl
1.9.9

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.jackson
jackson-mapper-asl
1.9.9


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.avro
avro-maven-plugin
1.7.0


schemas
generate-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:

Hadoop之AVRO

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:

Hadoop之AVRO

 

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=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 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:

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


当前名称:Hadoop之AVRO
文章出自:http://scyanting.com/article/jcgcps.html