Hadoop之Avro介绍

原文地址： itweknow.cn/detail?id=7… ，欢迎大家访问。

什么是Avro

Avro是一个独立于编程语言的数据序列化系统。这个项目由Ddoug Cutting（Hadoop之父）创建，目标是解决Hadoop中Writable类型缺乏语言的可移植性的不足。Avro模式通常采用JSON来写，数据则采用二进制格式编码，也可采用基于JSON的数据编码方式。

Avro的数据类型和模式

Avro定义了一些基本的数据类型，我们可以用他们来构建应用特定的数据结构。下面的表格我们列举了Avro的基本类型。

类型	描述	模式示例
null	空值	"null"
boolean	二进制值	"boolean"
int	32位带符号整数	"int"
long	64位带符号整数	"long"
float	单精度（32位）浮点数	"float"
double	双精度（64位）浮点数	"double"
bytes	8位无符号字节序列	"bytes"
string	Unicode字符序列	"string"

还有一些复杂的类型如下表所示：

类型	描述	模式示例
array	一个排过序的对象集合。特定数组中的所有对象必须模式相同。	{"type": "array","items": "long"}
map	未排过序的键-值对。键必须是字符串，值可以是任何一种类型，但是某一个map内的所有值必须模式相同。	{"type": "map", "values": "string"}
record	一个任意类型的命名字段集合。（相当于java中的自定义对象）	{"type": "record", "name": "User", "doc":"A User Desc","fileds":[{"name":"nickname","type": "string"},{"name":"age","type":"int"}]}
enum	一个命名的值集合（枚举）	{"type":"enum","name":"ActionStatus","doc":"操作状态","symbols":["SUCCESS","FAILED","ACTING"]}
fixed	一组固定数量的8位无符号字节	{"type":"fixed","name":"Md5Hash","size":16}
union	模式的并集。并集可用JSON数组表示，其中每个元素为一个模式。并集表示的数据必须与其内的某个模式相匹配	["null","string",{"type":"map","values":"string"}]

Avro数据文件

前面也提到过设计Avro的目的就是解决Hadoop中Writable类型缺乏语言的可移植性的不足。Avro数据文件主要是面向跨语言使用而设计的，我们可以通过Java写入文件，然后通过Python来读取文件，这都是没有问题的。数据文件的头部包含一个Avro模式和一个同步标识（sync marker）,然后紧接着是一系列包含序列化Avro对象的数据块。数据块通过sync marker分隔。 这里有两个概念解释一下：

• Avro模式 - 其实就相当于对象的定义，在这里我们规定字段的类型以及描述等信息。
• sync marker - 对与该文件来讲是唯一的，存储在文件头部。

序列化和反序列化

上面也简单的了解了一下Avro，下面我们通过两段代码来尝试一下Avro的序列化和反序列化。

• Avro模式定义，User.avsc

{
    "type": "record",
    "name": "User",
    "doc": "一个用户",
    "fields": [
        {"name": "name", "type": "string"},
        {"name": "age", "type": "int"}
    ]
}
复制代码

• 序列化

@Test
public void write() throws IOException {
    Schema.Parser parser = new Schema.Parser();
    InputStream in = this.getClass().getResourceAsStream("User.avsc");
    Schema schema = parser.parse(in);
    GenericRecord record = new GenericData.Record(schema);
    record.put("name", "ganchaoyang");
    record.put("age", 23);

    File file = new File("result.avro");
    DatumWriter<GenericRecord> writer = new GenericDatumWriter<GenericRecord>(schema);
    try(DataFileWriter<GenericRecord> dataFileWriter = new DataFileWriter<GenericRecord>(writer)) {
        dataFileWriter.create(schema, file);
        dataFileWriter.append(record);
    }
}
复制代码

• 反序列化

@Test
public void read() throws IOException {
    File file = new File("result.avro");
    DatumReader<GenericRecord> reader = new GenericDatumReader<>();
    try (DataFileReader<GenericRecord> dataFileReader = new DataFileReader<GenericRecord>(file, reader)) {
        GenericRecord record;
        while (dataFileReader.hasNext()) {
            record = dataFileReader.next();
            Assert.assertEquals("ganchaoyang", record.get("name").toString());
            Assert.assertEquals(23, record.get("age"));
        }
    }
}
复制代码