java - 用于激发 StructType 的 Avro Schema

Question

这实际上与我的 previous question 相同，但使用 Avro 而不是 JSON 作为数据格式。

我正在使用 Spark 数据框，它可以从几个不同的模式版本之一加载数据:

// Version One
{"namespace": "com.example.avro",
 "type": "record",
 "name": "MeObject",
 "fields": [
     {"name": "A", "type": ["null", "int"], "default": null}
 ]
}

// Version Two
{"namespace": "com.example.avro",
 "type": "record",
 "name": "MeObject",
 "fields": [
     {"name": "A", "type": ["null", "int"], "default": null},
     {"name": "B", "type": ["null", "int"], "default": null}
 ]
}

我正在使用 Spark Avro加载数据。

DataFrame df = context.read()
  .format("com.databricks.spark.avro")
  .load("path/to/avro/file");

可能是版本一文件或版本二文件。但是我希望能够以相同的方式处理它，将未知值设置为“null”。我在上一个问题中的建议是设置模式，但是我不想重复自己在 .avro 文件和 spark StructType 和 friend 中编写模式。如何将 avro 架构(文本文件或生成的 MeObject.getClassSchema())转换为 spark StructType？

Spark Avro 有一个 SchemaConverters ，但它都是私有(private)的，并返回一些奇怪的内部对象。

Answer 1

免责声明:这是一种肮脏的技巧。这取决于几件事:

• Python 提供了一个 lightweight Avro processing library由于它的活力，它不需要打字的作家
• 一个空的 Avro 文件仍然是一个有效的文件
• Spark 模式可以与 JSON 相互转换

以下代码读取 Avro 架构文件，使用给定架构创建空 Avro 文件，使用 spark-csv 读取它并将 Spark 架构输出为 JSON 文件。

import argparse
import tempfile

import avro.schema
from avro.datafile import DataFileWriter
from avro.io import DatumWriter

from pyspark import SparkContext
from pyspark.sql import SQLContext

def parse_schema(schema):
    with open(schema) as fr:
        return avro.schema.parse(open(schema).read())

def write_dummy(schema):
    tmp = tempfile.mktemp(suffix='.avro')
    with open(tmp, "w") as fw:
        writer = DataFileWriter(fw, DatumWriter(), schema)
        writer.close()
    return tmp

def write_spark_schema(path, schema):
    with open(path, 'w') as fw:
        fw.write(schema.json())


def main():
    parser = argparse.ArgumentParser(description='Avro schema converter')
    parser.add_argument('--schema')
    parser.add_argument('--output')
    args = parser.parse_args()

    sc = SparkContext('local[1]', 'Avro schema converter')
    sqlContext = SQLContext(sc)

    df = (sqlContext.read.format('com.databricks.spark.avro')
            .load(write_dummy(parse_schema(args.schema))))

    write_spark_schema(args.output, df.schema)
    sc.stop()


if __name__ == '__main__':
    main()

用法:

bin/spark-submit --packages com.databricks:spark-avro_2.10:2.0.1 \ 
   avro_to_spark_schema.py \
   --schema path_to_avro_schema.avsc \
   --output path_to_spark_schema.json

读取模式:

import scala.io.Source
import org.apache.spark.sql.types.{DataType, StructType}

val json: String = Source.fromFile("schema.json").getLines.toList.head
val schema: StructType = DataType.fromJson(json).asInstanceOf[StructType]