Avro文件
Apache Avro是一個數據序列化係統。Avro提供:
豐富的數據結構。
一種緊湊、快速的二進製數據格式。
容器文件，用於存儲持久數據。
遠程過程調用(RPC)。
與動態語言的簡單集成。讀取或寫入數據文件或使用或實現RPC協議都不需要代碼生成。代碼生成作為可選的優化，隻值得為靜態類型語言實現。
的Avro數據源支持:
模式轉換:Apache Spark SQL和Avro記錄之間的自動轉換。
分區:無需任何額外配置，即可輕鬆讀寫分區數據。
壓縮:將Avro寫入磁盤時使用的壓縮。受支持的類型有
未壓縮的，時髦的,縮小．您還可以指定泄氣級別。記錄名稱:通過傳遞參數的映射來記錄名稱和命名空間
recordName而且recordNamespace．
也看到讀寫流Avro數據．
配置
您可以使用各種配置參數更改Avro數據源的行為。
來忽略沒有.avro擴展讀取時，可以設置參數avro.mapred.ignore.inputs.without.extension在Hadoop配置。默認值是假．
火花．sparkContext．hadoopConfiguration．集（“avro.mapred.ignore.inputs.without.extension”，“真正的”）
要在寫入時配置壓縮，需要設置以下Spark屬性:
壓縮編解碼器:
spark.sql.avro.compression.codec．支持的編解碼器是時髦的而且縮小．默認的編解碼器是時髦的．如果壓縮編解碼器是
縮小，你可以設置壓縮級別:spark.sql.avro.deflate.level．默認級別為－1．
您可以在集群中設置這些屬性火花配置或者在運行時使用spark.conf.set ()．例如:
火花．相依．集（“spark.sql.avro.compression.codec”，“縮小”）火花．相依．集（“spark.sql.avro.deflate.level”，“5”）
為Databricks Runtime 9.1 LTS，您可以在Avro中通過提供mergeSchema選項在讀取文件時。設置mergeSchema來真正的將從目標目錄中的一組Avro文件中推斷模式並合並它們，而不是從單個文件中推斷讀取模式。
支持Avro -> Spark SQL轉換的類型
這個庫支持讀取所有Avro類型。它使用以下從Avro類型到Spark SQL類型的映射:
Avro類型 |
火花SQL類型 |
|---|---|
布爾 |
BooleanType |
int |
IntegerType |
長 |
LongType |
浮動 |
FloatType |
雙 |
倍增式 |
字節 |
BinaryType |
字符串 |
StringType |
記錄 |
StructType |
枚舉 |
StringType |
數組 |
ArrayType |
地圖 |
MapType |
固定 |
BinaryType |
聯盟 |
看到聯盟類型． |
聯盟類型
Avro數據源支持讀取聯盟類型。Avro認為以下三種類型是聯盟類型:
聯盟(int,長)映射到LongType．聯盟(浮動,雙)映射到倍增式．聯盟,空),在那裏某物是任何支持的Avro類型。映射到與的相同的Spark SQL類型某物,可以為空設置為真正的．
所有其他的聯盟類型是複雜類型。他們映射到StructType字段名是member0，member1中，等，按照會員的聯盟．這與在Avro和Parquet之間轉換時的行為一致。
邏輯類型
Avro數據源支持讀取以下內容Avro邏輯類型：
Avro邏輯類型 |
Avro類型 |
火花SQL類型 |
|---|---|---|
日期 |
int |
DateType |
timestamp-millis |
長 |
TimestampType |
timestamp-micros |
長 |
TimestampType |
小數 |
固定 |
DecimalType |
小數 |
字節 |
DecimalType |
請注意
Avro數據源忽略文檔、別名和Avro文件中的其他屬性。
支持的類型為Spark SQL -> Avro轉換
該庫支持將所有Spark SQL類型寫入Avro。對於大多數類型，從Spark類型到Avro類型的映射非常簡單(例如IntegerType被轉換為int）;以下是一些特殊情況:
火花SQL類型 |
Avro類型 |
Avro邏輯類型 |
|---|---|---|
ByteType |
int |
|
ShortType |
int |
|
BinaryType |
字節 |
|
DecimalType |
固定 |
小數 |
TimestampType |
長 |
timestamp-micros |
DateType |
int |
日期 |
您還可以使用該選項指定整個Avro輸出模式avroSchema，以便Spark SQL類型可以轉換為其他Avro類型。以下轉換默認情況下不應用，需要用戶指定的Avro模式:
火花SQL類型 |
Avro類型 |
Avro邏輯類型 |
|---|---|---|
ByteType |
固定 |
|
StringType |
枚舉 |
|
DecimalType |
字節 |
小數 |
TimestampType |
長 |
timestamp-millis |
例子
這些示例使用episodes.avro文件。
// Avro記錄被轉換為Spark類型，過濾和//然後寫回來作為Avro記錄瓦爾df＝火花．讀．格式（“avro”）.負載（“/ tmp / episodes.avro”）df．過濾器（“醫生> 5”）.寫．格式（“avro”）.保存（“/ tmp /輸出”）
這個例子演示了一個自定義Avro模式:
進口org．apache．avro．模式瓦爾模式＝新模式．解析器()。解析（新文件（“episode.avsc”）)火花．讀．格式（“avro”）．選項（“avroSchema”，模式．toString）．負載（“/ tmp / episodes.avro”）．顯示（）
這個例子演示了Avro壓縮選項:
//配置使用deflate壓縮火花．相依．集（“spark.sql.avro.compression.codec”，“縮小”）火花．相依．集（“spark.sql.avro.deflate.level”，“5”）瓦爾df＝火花．讀．格式（“avro”）.負載（“/ tmp / episodes.avro”）//輸出壓縮的Avro記錄df．寫．格式（“avro”）.保存（“/ tmp /輸出”）
這個例子演示了分區的Avro記錄:
進口org．apache．火花．sql．SparkSession瓦爾火花＝SparkSession．構建器()。主（“本地”）.getOrCreate（）瓦爾df＝火花．createDataFrame（Seq（（2012，8，“蝙蝠俠”，9.8)，（2012，8，“英雄”，8.7)，（2012，7，“機器人”，5.5)，（2011，7，“Git”，2．0）)）.toDF（“年”，“月”，“標題”，“評級”）df．toDF．寫．格式（“avro”）.partitionBy（“年”，“月”）.保存（“/ tmp /輸出”）
這個例子演示了記錄的名稱和命名空間:
瓦爾df＝火花．讀．格式（“avro”）.負載（“/ tmp / episodes.avro”）瓦爾的名字＝“AvroTest”瓦爾名稱空間＝“org.foo”瓦爾參數＝地圖（“recordName”->的名字，“recordNamespace”->名稱空間）df．寫．選項（參數）.格式（“avro”）.保存（“/ tmp /輸出”）
#從指定目錄創建數據幀df＝火花．讀．格式（“avro”）．負載（“/ tmp / episodes.avro”）保存讀入的Avro記錄的子集子集＝df．在哪裏（“醫生> 5”）子集．寫．格式（“avro”）．保存（“/ tmp /輸出”）
要在SQL中查詢Avro數據，請將數據文件注冊為表或臨時視圖:
創建臨時視圖集使用avro選項（路徑“/ tmp / episodes.avro”）選擇＊從集