首页 > 代码库 > Hadoop之AVRO
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。
<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
Hadoop之AVRO