数据治理篇-数据质量-数据模式: avro概述

前言

前面几篇讲过，元数据侧重于配置【驱动】编程的思想，通过建立统一的数据资产，进一步【驱动】企业数字化升级。

但数字化升级是个战略性的目标，短期内效果并不明显，甚至很多时候容易引发空谈数字化转型，而达不到实际意义的用途。或者落地之后，产生的效果比预期会低很多。

而数据质量往往却是企业当下需要解决的问题。比元数据管理来得更迫切一些。并且元数据是需要数据质量来引导的。

1. 元数据与数据质量的关系是什么呢？

元数据是蓝图，就像建筑商建房子一样，先要有整体规划及配套的周边设施。而数据质量则是执行过程中的技术标准，让你了解整个蓝图过程中需要面对的所有问题，以及追踪反映相应的实际情况。
所以两者是相辅相成的关系，彼此相互促进与发展。

但是，我们可能没有建立元数据系统，这并不代表没有元数据，只是元数据没有规整成好的蓝图。就像程序员写垃圾代码一样可以完成功能而已，只是对后期带来了很多潜在的隐患。并且元数据系统的从视野上来看非常广泛，可能需要增量构建，这样数据质量的必要性在这种形式下是很容易提上议程的。

对于已有的系统，数据质量相关的问题往往更迫切，这时候可能顾不上数字化蓝图。在这种形式下，数据质量系统的建的重要度极高，在国情下更是如此。随着数据质量的建立，后期往往会促发元数据的管理。毕竟数据质量的定义本身就是一种元数据【元数据的实体】，而高级数据质量的建立需要于推断功能【元数据的关系】，这个就是元数据体系的强大之处了。

所以，在笔者看来，数据质量能解决当下问题更加容易落地生根。而随着元数据体系的建立，数据质量可以依据元数据更加强大。而元数据可以应运而生，转动它的轮轴，【逐步驱动】一个新的数字化世界的到来。

2. 数据质量的发展现状

当前企业的现状是，数据质量规则或多或少总会有的。毕竟数据质量问题直接引发的就是系统的故障感知度低，进而运维成本极高，对业务的稳定性带来极大的挑战性。

在这种形式下，数据质量是在有限的形式下展开的。所以，这种情况下的数据质量往往是【事后】数据质量。就像上车了再买票一样，它没有花过多精力在前期的准备事项中，而是等事情发生了，然后去【亡羊补牢】。毕竟有句古话说的好，相同的错误我允许你犯一遍，犯第二遍，但是不允许你犯第三遍。所以这种低成本，好附加的方式得到了普遍应用。

虽然这样【事后检验】有效地【显示】了数据质量问题，进而反馈调节，但是它并没有从根源上解决【数据质量】问题。系统的复杂度反而随着【数据质量】的建立，而越发凸显，毕竟缝缝补补的日子是无法持久的，总会有人跳出来的。

这时候就有出现了【数据标准】的概念，觉得数据应该是从【源头】就要抓起。然而它们所谓的【数据标准】是建立在流程之上，通过人力来解决并规范化，对于老的系统要逐步修正，对于新的系统要强行审批。

而【数据标准】往往与【事后数据质量】结合得很紧密，如果【数据质量指标】提高了，说明【数据标准】得到了效果。但是这往往是只是改善了情况，还是有大量数据质量问题并不能得到解决，为什么呢？因为从源头到结局，涉及到了太多环节跟因素，完全靠人跟流程制度的力量是不太可取的，但是对于企业高管来说却很喜欢，因为这样会显示他的价值，这里就不过多展开讨论了。

3. 数据质量的表现形式

前面讲过，【事后数据质量】得到了很大的普及，所以ebay开源了apache griffin。基本思想就是抽象成一层dsl，然后生成sql去检验规则，方便使用。当然还有一些大企业会把【事后规则】渗透到etl任务中，可以进行阻塞作业的执行，但是这个架构对于etl性能有很大影响，很难扩展开来。进一步，也有系统将数据规则组成多级规则，一旦发生错误，进一步诊断子规则，并收集规则相应的信息，便于提升系统的故障感知度。

当然，【事后数据质量】并没有从根源上解决问题，只是【穷举检查后显现】问题。所以企业迫切需要从【事后数据质量】转移到【事前数据质量】的思维转变。但是【事前数据质量】由于具有非常大的开放性，非常需要启发性思维，大部分都在探索期，不太容易有太多成功案例的【借鉴】。所以【事前数据质量】还属于新生阶段，大部分企业提供出了另外一个子系统概念【数据探查】，既然无法直接【感知】问题，那么我就提供相应的数据工具，让其快速了解数据，便于快速【分析及诊断】问题。对于数据源头有了一定的【探查】之后，再对数据进行相应的进行【约束】与【诊断】，促进【事前数据质量】体系的建立与完善。

本文不太过多关注【事后数据质量】，本人觉得真正的【数据质量】必定是在源头控制，进行【约束】，然后扩展到后期的【故障感知】，【事前数据质量】才是数据质量体系的一盘大期。

常见的事前数据质量又分为几部分：提供数据源头数据有效性检测的【数据模式】系统， 提供数据统计的【数据探查】系统，基于统计信息与实体关系进行启发式推断的【数据防火墙】系统。

那么现在可以进入本文的正文：【数据模式】系统

4. avro构建强大的数据模式系统

由于大部分对于avro数据模式了解得不多，先给予一定的介绍

a. avro 历史背景

对于数据模式来说，历史上有两个霸主，一个是google的protobuf，一个是facebook的thrift，它们主要用于rpc数据通讯的数据模式，当然跨语言是必备条件。

但是它们有一个强大的致命弱点，不支持动态模式。也就是说它们的模式必须要生成代码变成类或者语言的数据结构。对于每一个数据模式都得生成相应的代码进行规则约束。当然最新版本的protobuf提供了DynamicMessage动态反射，但是avro已经强大到不再是那个少年。

这个时候hadoop之父迫切需要一种数据格式，能够支持数据的【物理约束】与【逻辑约束】，支持数据的【模式演化】，支持数据的【切块压缩】存储。这个时候avro横空出世，一统了大数据江湖。

这个avro厉害到了什么程度了。
hive非常早期的版本就已经核心支持avro，支持模式推断高级功能。
linkedin一直以avro作为核心，建立的kafka schema-registry, kafka connect, kafka sql更是以avro为基础。由于hadoop之父不给力，老是要搞兼容，不愿意引进其它库的avro新特性，linkedin甚至自立门户搞了一套阉割版本的Pegasus，然后基于这玩意，搞了一套rest.li元数据驱动的微服务架构，以及datahub的元数据管理系统。
flink也是最优先支持avro数据格式。

什么，你说apache parquet, apache arrow文件格式更厉害？
avro有四种数据形式[json, datum, container, trevni]。trevni就是parquet的前身，面向列存储，也继承了trevni的使命。
如果说avro datum面向于通讯及实时, avro container面向于数据交换存储, avro trevni就是面向于数据计算。

前面说过hadoop之父很墨迹，毕竟兼容性对他来说是头等大事，所以apache parquet成功继承avro trevni，致力于作为数据计算的标准存储格式，目前也被apache flink/apache spark作为批量计算的核心格式，当然实时计算被avro牢牢把控。

既然apache parquet想做为标准数据计算格式，所以它要无缝对接转换所有的数据格式。前期它就这么干了，但是随着google新一代的flatbuffer内存数据格式的出现，它的性能指票显然不是特别友好的。

所以批量计算存储分切成了两块，apache parquet与apache arrow。apache parquet是物理存储形式，apache arrow是基于flatbuffer的内存数据格式，无缝迅猛对接各大平台的数据格式转换器。

为什么它快呢？如果你读过flatbuffer的文档就会知道，它的解序列化开销为零，当然apache arrow不是本文的重点，这里不作过多介绍。

所以，目前大数据的生态，基本上就是: apache avro(实时，数据交换) + apache parquet(批量) + apache arrow(内存）的三大格局。当然还有我没有提到的ORC存储，本质上是apache parquet的可选方案，发展似乎更加缓慢一点。

b. avro底层原理。

大部分人对json数据格式都有较强的认知。但是json的缺点是很明显的，它的schema每条记录都要带上，数据是文本形式很浪费空间，无法强制约束数据格式，数据类型扩展性较弱，对于数据模式检验有一定的json schema标准支持。
那么，如果我们把schema单独提出来，对数据类型进行高效编码，那么每条数据是不是空间最省性能最高呢？居然还真是。。。
参考链接: https://github.com/mtth/avsc/wiki/Benchmarks

图片.png

编码规则在官方文档里面写得很清晰了:
https://avro.apache.org/docs/1.9.2/spec.html
我这里简单介绍一下:
对于int, long其实本质上无差别，都是采用通用的zigzag变长编码，比如如果你的整数数值范围比较少，可能一个字节就够存了，不用搞int的四个字节的标准。
对于bytes跟string其实无差别，就是长度+内容。
null就是用单个零字节表示。
enum转换成数字编码。
record就是按记录模式名称依次按字段名称顺序一个个写入值（无模式）
map, array就是先写记录条数，然后再写内容。当然这里面有个高级用法。可以拆分成多个记录条数+内容(即子map/array)，最后以null零字节表示结束。map的key由于是动态的，要同时写入key(有模式)/value，适用于无法提前感知的扩展字段场景。

union就是最强大的类型了，就是表示可以有多个字段类型。
这里面有一点要注意的是，union不允许相同类型出现，除非是命名类型。命名类型有三种，record, enum, fixed。简单来说，recordname_b是允许在union里面出现的。不同名称的record认为是不同的类型。

union是最强大的特性，也是各个库实现不一致的地方。
union编码逻辑非常简单，先写入类型的索引值，然后写入具体编码值即可。
对于hadoop早期版本来说，每个union类型进行json编码的时候都要加入类型前缀。默认每个字段类型是不能为null的，所以可以通过union类型来解决type: ["null", "string"]。如果在java版本里面你必须要写"field": {"string", "aaa"}或者"field": null。注意"null"类型带有引号, null值没有引号。
但是后来大部分其它语言的库，包括linkedin的改造版本，觉得null是太常见且必要的特性了，如果有个null,就得套一层数据格式就显得太麻烦了。所以对于一个值如果是null或者本身两个元素的时候做了优化，可以直接写{"field":null}, {"field": "aaa"}了。。。
一些java第三方库也做了增强。

当然，就算加了null类型支持，仅仅是说这个值可以为null， 也是一定要填的。如果想让这个值可以missing，那么就得给default值，当然这里关联到模式演化的内容，将于后续介绍。

c. avro的文件格式类型及应用场景。

上一节讲了，我把schema提取出来，接着对单条记录整个数据结构按照schema进行编码，然后就得到了datum，有着强大的效率与size缩减效果。
所以，我们认识了第一种数据格式datum（在avro-tools里面叫做frag，有些库叫做avro_value)。

这种格式不带模式，并且是单条记录。适用于数据量小的单条消息处理场景。比如rpc通讯，实时计算。对于rpc通讯，模式是双方约定好了的，对于实时计算模式需要单独关联，kafka schema-registry是专门管理这个的。对于kafka avro的每条消息，前面有五个字节表示对应于kafka schema-registry管理的schema id，然后本地有个缓存，每个schema id只需要去同步获取一次即可。

当然对于大批量的数据格式，显然是需要压缩分块的，所以avro container文件格式出现了。
它的算法很简单:
单个header(avro文件标识+压缩编码+数据模式) + [多个block(avro_datum记录数+ avro_datum压缩内容)]，每个header及block后面接16位随机生成sync mark用于hadoop分割文件使用。hive中对应的avro格式就是avro container格式，它是包含了avro_datum头部的，可以直接下载下来使用avro-tools工具查看。

对于列式存储avro trevni，主要由apache parquet接任了，后续可能会有专门的篇章进行介绍。

d. avro的类型约束以及idl模式

avro的类型分为物理类型，逻辑类型及引用类型。

先看物理类型约束:

1. 默认对于每个字段来说是必填不可空的，如果需要为空，需要走union ["null", type]，如果需要可缺失, 则可加上default值。
   所以这里严格定义了类型的可空性与可缺失性。

2. 对于字典值，有enum类型，对于每个enum类型会生成相应的整数值。这对于数据质量也是重大的好功能。

3. 对于一个数据可能存大多种格式的情况，比如同一个接口可能返回有不同的类型及值，那么就有union大法了，定义不同的named record就可以解决了。

4. 对于扩展字段来说，由于模式不可知，可采用map结构来处理。其它已知模式字段必需严格按照记录类型处理。

逻辑类型约束:

逻辑类型约束是强大的功能，比如Decimal, uuid, date, time相关的类型，都是建立在已有的物理类型上，建立自己的逻辑规则。通过添加logicalType属生来分别。
对于每个企业都可以自己自己的逻辑类型，定制自己的业务值约束。而标准库仅提供了上面的通用逻辑类型。

引用类型约束 ：

对于每一个命名类型，尤其是record类型，是可以引用的。
也就是说，不可能存在两个相同名称的record类型，如果另一个地方有相同的record类型名称，它就不需要再定义具体结构，直接引用过来复用了结构定义。
如果确实想要相同名称的record类型，那么可以添加namespace进行区分。
在相同的namespace下面不能有相同的命名类型出现。如果需要复用，可以定义共用的namespace进行引用，或者直接引用其它人的namespace。如果不需要复用，可以定义各自namespace下的数据结构。默认不定义都在相同的namespace下面。

IDL文件

avro虽然引入了引用数据类型，对于需要复用的类型可以引用过来，但是随着模式的复杂度，json表达形式维护性会比较困难。这时候可以引用idl文件，进行拆解，idl接口格式可以进行import以及独立的类型定义。然后组合转换生成单个avsc模式文件

e. avro的模式演化

前面虽然讲过json的很多坏话，但是json有很强的灵活性，比如值缺失，新增不影响代码的正常运行。avro不止这些基础功能，它更加强大。

1. 字段增删改
   avro可以用老的代码读新的数据，也可以用新的代码读老的数据。
   它是怎么做到的呢？
   如果一个模式字段新增，那么它必需要默认值，如果一个字段删除当然不受影响。
   比如老的模式字段有a, b, c, 新的模式字段有a, c, d。
   当新的模式依次按字段读取老的数据的时候，发现没有d，但是它有默府值它所以是没有问题的。
   当老的模式读取新的数据的时候，发现没有b，如果对于老的模式有b的默认值也是可以运行正常的。

所以，老的模式如果想兼容新数据，它就必须对它以后想要删除数据提供默认值。新的模式想兼容老数据，那么它就必须对新增的字段提供默认值。
当然各种兼容模式可以按需选择。

2. 值的类型转换
   除了字段的增删，另一个问题就是字段的可空性问题了。比如同样的字段，在有的系统可以为空，有的系统不为空。我们可以分别读取成各自特写的外部表，也可以通过通用的行为读取成通用的外部表。
   当然空值是跟union的模式演化有关系的。
   关于模式演化的规则有兴趣可以参见问题进一步了解。

   
   
   图片.png

3. 模式演化的过程。
   对于一个已经序列化过的数据，新的模式是无非读取的。所以模式演化分为两部分，这也是avro重度依赖于schema的一个原因。首先reader通过writer schema(写入时schema)读取值出来，然后通过reader schema进行resolve转换成新的数据格式。

f: avro的编码格式及应用

前面所说的avro datum格式是binary编码的，当然它也有对应的json编码。json编码一般用于转换json数据至binary编码，或者binary编码转换成外部json数据。本质是就是根据schema进行遍历，读取或者输出对应的json或者binary格式.
当然avro也可以把文本文件的每一行当作是bytes模式，进行切块压缩成container文件，便于可切割压缩形式的文件处理格式。

那么我们来看一下avro-tools给我们提供的功能
源码路径:
https://github.com/apache/avro/tree/master/lang/java/tools

larry@larrys-MBP-2 ~ % avro-tools
Version 1.9.1
 of Apache Avro
Copyright 2010-2015 The Apache Software Foundation

This product includes software developed at
The Apache Software Foundation (https://www.apache.org/).
----------------
Available tools:
    canonical  Converts an Avro Schema to its canonical form
          cat  Extracts samples from files
      compile  Generates Java code for the given schema.
       concat  Concatenates avro files without re-compressing.
  fingerprint  Returns the fingerprint for the schemas.
   fragtojson  Renders a binary-encoded Avro datum as JSON.
     fromjson  Reads JSON records and writes an Avro data file.
     fromtext  Imports a text file into an avro data file.
      getmeta  Prints out the metadata of an Avro data file.
    getschema  Prints out schema of an Avro data file.
          idl  Generates a JSON schema from an Avro IDL file
 idl2schemata  Extract JSON schemata of the types from an Avro IDL file
       induce  Induce schema/protocol from Java class/interface via reflection.
   jsontofrag  Renders a JSON-encoded Avro datum as binary.
       random  Creates a file with randomly generated instances of a schema.
      recodec  Alters the codec of a data file.
       repair  Recovers data from a corrupt Avro Data file
  rpcprotocol  Output the protocol of a RPC service
   rpcreceive  Opens an RPC Server and listens for one message.
      rpcsend  Sends a single RPC message.
       tether  Run a tethered mapreduce job.
       tojson  Dumps an Avro data file as JSON, record per line or pretty.
       totext  Converts an Avro data file to a text file.
     totrevni  Converts an Avro data file to a Trevni file.
  trevni_meta  Dumps a Trevni file's metadata as JSON.
trevni_random  Create a Trevni file filled with random instances of a schema.
trevni_tojson  Dumps a Trevni file as JSON.

1. 通过json与avro datum格式互转

avro-tools jsontofrag --schema schema/XXX.avsc sample/XXX.json
cat xxx.avro | avro-tools fragtojson  --schema-file schema/XXX.avsc -

2. 通过json与avro container格式互转

avro-tools fromjson --codec snappy --schema-file schema/XXX.avsc

avro-tools tojson xxx.avro
avro-tools getschema xxx.avro

3. 编码text文件转换成avro压缩格式

avro-tools fromtext ...
avro-tools totext ...

4. avro idl生成avsc模式文件

avro-tools idl ...

g. avro的各个语言版本

官方版本清单:
https://github.com/apache/avro/tree/master/lang

图片.png

rust版(本人参照改造增强，可交流):
https://github.com/flavray/avro-rs

java增强版(本人参照改造增强，可交流):
https://github.com/Celos/avro-json-decoder
https://github.com/zolyfarkas/avro

js增强版:
https://github.com/flavray/avro-rs/

c扩展版(本人参照改造增强，可交流):
https://github.com/grisha/json2avro

avro手机版(本人参照改造增强，可交流):
https://github.com/flurry/avro-mobile/