ETL工具-nifi干货系列 第四讲 Avro schema 序列化框架

一、在使用nifi的过程中会使用到遇到avro schema、avro data、avroReader、avroWriter等，所以本节课和大家一起学习下avro相关知识。

 二、什么是Avro

Apache Avro是hadoop中的一个子项目，也是一个数据序列化系统，其数据最终以二进制格式，采用行式存储的方式进行存储。

三、什么是avro schema

Avro依赖"schema"（模式）来实现数据结构的定义，schema通过json对象来进行描述表示（类似于java代码中的bean类），具体表现为：

• 一个json字符串命名一个定义的类型
• 一个json对象，其格式为`{"type":"typeName" ...attributes...}`，其中`typeName`为原始类型名称或复杂类型名称。
• 一个json数组，表示嵌入类型的联合

schema中的类型由原始类型（也就是基本类型）（null、boolean、int、long、float、double、bytes和string）和复杂类型（record、enum、array、map、union和fixed）组成。

1、原始类型

原始类型包括如下几种：

• null：没有值
• boolean：布尔类型的值
• int：32位整形
• long：64位整形
• float：32位浮点
• double：64位浮点
• bytes：8位无符号类型
• string：unicode字符集序列

原始类型没有指定的属性值，原始类型的名称也就是定义的类型的名称，因此，schema中的"string"等价于{"type":"string"}。

2、复杂类型

Avro支持6种复杂类型：records、enums、arrays、maps、unions和fixed。

1）Records

• reocrds使用类型名称"record"，并支持以下属性
• name：提供记录名称的json字符串（必选）
• namespace：限定名称的json字符串
• doc：一个json字符串，为用户提供该模式的说明（可选）
• aliases：字符串的json数组，为该记录提供备用名称
• fields：一个json数组，罗列所有字段（必选），每个字段又都是一个json对象，并包含如下属性：
• name：字段的名称（必选）
• doc：字段的描述（可选）
• type：一个schema，定义如上
• default：字段的默认值
• order：指定字段如何影响记录的排序顺序，有效值为`"ascending"`（默认值）、"descending"和"ignore"。

demo 如下：

{
    "type": "record",
    "name": "person",
    "aliases": ["xiaojingang"],
    "fields", [
        {"name": "id", "type": "long"},
        {"name": "name", "type": "string"}
    ]
}

2）Enums

Enum使用类型名称"enum"，并支持以下属性

• name：提供记录名称的json字符串（必选）
• namespace：限定名称的json字符串
• aliases：字符串的json数组，为该记录提供备用名称
• doc：一个json字符串，为用户提供该模式的说明（可选）
• symbols：一个json数组，以json字符串的形式列出符号。在枚举中每个符号必须唯一，不能重复，每个符号都必须匹配正则表达式"[A-Za-z_][A-Za-z0-9_]*"。
• default：该枚举的默认值。

demo 如下：

{
    "type": "enum",
    "name": "personType",
    "symbols": ["xiaojinang", "dajingang"]
}

3） Arrays

• item：数组中元素的schema

声明一个value为string的array，demo如下：

{
"type": "array",
"items": "string",
"default": []
}

4）Maps

• values：map的值（value）的schema，其key被假定为字符串

声明一个value为long类型，（key类型为string）的map，demo如下：

{
    "type": "map",
    "values": "long",
    "default": {}
}

5）Unions

联合使用json数组表示，例如[null, "test"]声明一个模式，它可以是空值或字符串。

需要注意的是：当为union类型的字段指定默认值时，默认值的类型必须与union第一个元素匹配，因此，对于包含"null"的union，通常先列出"null"，因为此类型的union的默认值通常为空。

另外， union不能包含多个相同类型的schema，类型为record、fixed和eum除外。

6）Fixed

Fixed使用类型名称"fixed"并支持以下属性：

• name：提供记录名称的json字符串（必选）
• namespace：限定名称的json字符串
• aliases：字符串的json数组，为该记录提供备用名称
• doc：一个json字符串，为用户提供该模式的说明（可选）
• size：一个整数，指定每个值的字节数（必须）

16字节的数，demo如下：

{
    "type": "fixed",
    "name": "md5",
    "size": 16
}

四、avro的优点

Avro 格式相比 JSON 具有以下几个优点：

1. 紧凑的数据表示: Avro 使用二进制格式进行数据存储，相比 JSON 的文本格式，二进制数据通常更加紧凑，占用更小的存储空间。这意味着在网络传输和持久化存储时，Avro 可以减少数据的大小，降低传输和存储成本。

2. 快速的序列化和反序列化: Avro 的二进制格式使得序列化和反序列化的过程更加高效。相比 JSON 的文本解析，Avro 的二进制序列化和反序列化速度更快，特别是对于大型数据集，性能提升更为显著。

3. Schema 的支持: Avro 要求数据必须按照预先定义的 schema 进行序列化和反序列化。这意味着数据的结构和类型在传输过程中是明确的，可以提供更强的数据验证和类型安全性。而 JSON 是一种自描述的文本格式，数据结构和类型信息嵌入在数据中，有时候可能存在解析不准确或不一致的情况。

4. Schema 的演化: Avro 允许 schema 的演化，即可以在不破坏现有数据的前提下对 schema 进行更新。这使得系统可以灵活地适应数据结构的变化，而无需进行大规模的数据迁移。相比之下，JSON 的结构变更可能需要更复杂的处理和数据转换。

5. 支持多种语言: Avro 提供了多种编程语言的支持，包括 Java、Python、C++ 等。通过 Avro 的各语言库，可以方便地在不同的平台和系统中进行数据交换和处理。

Avro 格式相对于 JSON 具有更高的效率、更严格的数据约束和更好的可扩展性，特别适用于大规模数据处理和分布式系统中的数据交换与存储。

 五、示例演示：

首先定义schema的内容，具体为4个字段的表，名称（字符串）、年龄（整型）、技能（数组）、其他（map类型），详细如下所示：

{
    "type":"record",
    "name":"person",
    "fields": [
        {
            "name": "name",
            "type": "string"
        },
        {
            "name": "age",
            "type": "int"
        },
        {
            "name": "skill",
            "type": {
                "type":"array",
                "items": "string"
            }
        },
        {
            "name": "other",
            "type": {
                "type": "map",
                "values": "string"
            }
        }
    ]
}

再按照上面的schema定义两条数据（person.json）：

{"name":"java小金刚","age":20,"skill":["java","go","python","kafka"],"other":{"interests":"basketball"}}
{"name":"java大金刚","age":18, "skill":["java","scala"],"other":{}}

通过avro-tools可以生成一个avro文件：

java -jar avro-tools-1.7.4.jar fromjson --schema-file person.avsc person.json > person.avro

对于一个已存在的文件，也可以通过avro-tools工具查看schema内容、数据内容。

java -jar avro-tools-1.7.4.jar getschema person.avro

java -jar avro-tools-1.7.4.jar tojson person.avro