java - 在 avro 中存储模式有什么好处？

Question

我们需要序列化一些数据以放入 solr 和 hadoop。

我正在评估相同的序列化工具。

我列表中的前两个是 Gson 和 Avro。

据我了解，Avro = Gson + Schema-In-JSON

如果这是正确的，我不明白为什么 Avro 在 Solr/Hadoop 中如此受欢迎？

我在互联网上搜索了很多，但找不到一个正确的答案。

到处都说，Avro 很好，因为它存储模式。我的问题是如何处理该架构？

这可能适用于 Hadoop 中非常大的对象，其中单个对象存储在多个文件 block 中，这样存储每个部分的模式有助于更好地分析它。 但即使在这种情况下，模式也可以单独存储，仅对它的引用就足以描述模式。我看不出为什么架构应该是每个部分的一部分。

如果有人能给我一些很好的用例，Avro 如何帮助他们，而 Gson/Jackson 不足以达到目的，那将非常有帮助。

另外，Avro 网站上的官方文档说我们需要给 Avro 一个模式来帮助它生成 Schema+Data。 我的问题是，如果输入模式并且将模式与数据的 JSON 表示一起发送到输出，那么 Avro 还能实现什么额外功能？我不能自己通过使用 JSON 序列化对象、添加我的输入模式并将其称为 Avro 来做到这一点吗？

我真的很困惑!

Answer 1

1. 不断发展的架构

假设您最初为 Employee 类设计了这样的架构

{
{"name": "emp_name", "type":"string"},
{"name":"dob", "type":"string"},
{"name":"age", "type":"int"}
}

后来您意识到年龄是多余的，并将其从架构中删除。

{
{"name": "emp_name", "type":"string"},
{"name":"dob", "type":"string"}
}

在此架构更改之前已序列化和存储的记录会怎样。你将如何读回这些记录？

这就是为什么 avro 读取器/反序列化器需要读取器和写入器模式的原因。它在内部进行架构解析，即。它试图使旧模式适应新模式。

转到此链接 - http://avro.apache.org/docs/1.7.2/api/java/org/apache/avro/io/parsing/doc-files/parsing.html - “使用 Action 符号解决”部分

在这种情况下，它会跳过 Action ，即忽略“年龄”。它还可以处理字段从 int 变为 long 等情况。

这是一篇很好的文章，解释了模式演变 - http://martin.kleppmann.com/2012/12/05/schema-evolution-in-avro-protocol-buffers-thrift.html

1. 对于单个文件中的多条记录，架构只存储一次。

2. 大小，以极少字节编码。