Apache Spark 2.4 内置的 Avro 数据源实战

Apache Avro 是一种流行的数据序列化格式。它广泛用于 Apache Spark 和 Apache Hadoop 生态系统，尤其适用于基于 Kafka 的数据管道。从 Apache Spark 2.4 版本开始（参见

Apache Spark 2.4 正式发布，重要功能详细介绍

），Spark 为读取和写入 Avro 数据提供内置支持。新的内置 spark-avro 模块最初来自 Databricks 的开源项目Avro Data Source for Apache Spark。除此之外，它还提供以下功能：

新函数 from_avro() 和 to_avro() 用于在 DataFrame 中读取和写入 Avro 数据，而不仅仅是文件。

支持 Avro 逻辑类型（logical types），包括 Decimal，Timestamp 和 Date类型。

2倍读取吞吐量提高和10％写入吞吐量提升。

本文将通过示例介绍上面的每个功能。

加载和保存函数

在 Apache Spark 2.4 中，为了读写 Avro 格式的数据，你只需在 DataFrameReader 和 DataFrameWriter 中将文件格式指定为“avro”即可。其用法和其他数据源用法很类似。如下所示：

from_avro() 和 to_avro() 的使用

为了进一步简化数据转换流程(transformation pipeline)，社区引入了两个新的内置函数：from_avro() 和 to_avro()。Avro 通常用于序列化/反序列化基于 Apache Kafka 的数据管道中的消息或数据，在读取或写入 Kafka 时，将 Avro records 作为列将非常有用。每个 Kafka 键值记录都会增加一些元数据，例如 Kafka 的摄取时间戳，Kafka 的偏移量等。

在以下三种场景，from_avro() 和 to_avro() 函数将非常有用：

当使用 Spark 从 Kafka 中读取 Avro 格式的数据，可以使用 from_avro() 函数来抽取你要的数据，清理数据并对其进行转换。

当你想要将 structs 格式的数据转换为 Avro 二进制记录，然后将它们发送到 Kafka 或写入到文件，你可以使用 to_avro()。

如果你需要将多个列重新编码为单个列，请使用to_avro().

目前这两个函数仅在 Scala 和 Java 语言中可用。from_avro 和 to_avro 函数的使用除了需要人为指定 Avro schema，其他的和使用 from_json 和 to_json 函数一样，下面是这两个函数的使用示例。

在代码里面指定 Avro 模式

通过 Schema Registry 服务提供 Avro 模式

如果我们有 Schema Registry 服务，那么我们就不需要在代码里面指定 Avro 模式了，如下：

通过文件设置 Avro 模式

我们还可以将 Avro 模式写入到文件里面，然后在代码里面读取模式文件：

与 Databricks spark-avro的兼容性

性能测试

基于 SPARK-24800 的优化，内置 Avro 数据源读写 Avro 文件的性能得到很大提升。社区在这方面进行了相关的基准测试，结果表明，在1百万行的数据（包含 Int/Double/String/Map/Array/Struct 等各种数据格式）测试中，读取的性能提升了2倍，写的性能提升了8%。基准测试的代码可参见 这里，测试比较如下：

如果想及时了解Spark、Hadoop或者Hbase相关的文章，欢迎关注微信公共帐号：iteblog_hadoop

结论

内置的 spark-avro 模块为 Spark SQL 和 Structured Streaming 提供了更好的用户体验以及 IO 性能。

参考