【大数据】详解 AVRO 格式

1.Avro 介绍

Apache Avro 是 Hadoop 中的一个子项目，也是一个数据序列化系统，其数据最终以二进制格式，采用行式存储的方式进行存储。

Avro提供了：

• ✅ 丰富的数据结构。
• ✅ 可压缩、快速的二进制数据格式。
• ✅ 一个用来存储持久化数据的容器文件。
• ✅ 远程过程调用。
• ✅ 与动态语言的简单集成，代码生成不需要读取或写入数据文件，也不需要使用或实现 RPC 协议。代码生成是一种可选的优化，只值得在静态类型语言中实现。

基于以上这些优点，Avro 在 Hadoop 体系中被广泛使用。除此之外，在 Hudi、Iceberg 中也都有用到 Avro 作为元数据信息的存储格式。

2.schema

Avro 依赖 schema（模式）来实现数据结构的定义，schema 通过 json 对象来进行描述表示，具体表现为：

• 一个 json 字符串命名一个定义的类型。
• 一个 json 对象，其格式为 {"type":"typeName" ... attributes ...}，其中 typeName 为 原始类型名称 或 复杂类型名称。
• 一个 json 数组，表示嵌入类型的联合。

schema 中的类型由 原始类型（也就是 基本类型）（null、boolean、int、long、float、double、bytes 和 string）和 复杂类型（record、enum、array、map、union 和 fixed）组成。

2.1 原始类型

原始类型包括如下几种：

• null：没有值
• boolean：布尔类型的值
• int：$32$ 位整形
• long：$64$ 位整形
• float：$32$ 位浮点
• double：$64$ 位浮点
• bytes：$8$ 位无符号类型
• string：unicode 字符集序列

原始类型没有指定的属性值，原始类型的名称也就是定义的类型的名称，因此，schema 中的 "string" 等价于 {"type":"string"}。

2.2 复杂类型

Avro 支持 6 种复杂类型：records、enums、arrays、maps、unions 和 fixed。

2.2.1 Records

reocrds 使用类型名称 "record"，并支持以下属性

• name：提供记录名称的 json 字符串（必选）
• namespace：限定名称的 json 字符串
• doc：一个 json 字符串，为用户提供该模式的说明（可选）
• aliases：字符串的 json 数组，为该记录提供备用名称
• fields：一个 json 数组，罗列所有字段（必选），每个字段又都是一个 json 对象，并包含如下属性：
  • name：字段的名称（必选）
  • doc：字段的描述（可选）
  • type：一个 schema，定义如上
  • default：字段的默认值
  • order：指定字段如何影响记录的排序顺序，有效值为 "ascending"（默认值）、"descending" 和 "ignore"。
  • aliases：别名

一个简单示例：

{
    "type": "record",
    "name": "LongList",
    "aliases": ["LinkedLongs"],
    "fields", [
        {"name": "value", "type": "long"},
        {"name": "next", "type": ["null", "LongList"]}
    ]
}

2.2.2 Enums

Enum 使用类型名称 enum，并支持以下属性

• name：提供记录名称的 json 字符串（必选）
• namespace：限定名称的 json 字符串
• aliases：字符串的 json 数组，为该记录提供备用名称
• doc：一个 json 字符串，为用户提供该模式的说明（可选）
• symbols：一个 json 数组，以 json 字符串的形式列出符号。在枚举中每个符号必须唯一，不能重复，每个符号都必须匹配正则表达式 "[A-Za-z_][A-Za-z0-9_]*"。
• default：该枚举的默认值。

示例：

{
    "type": "enum",
    "name": "Suit",
    "symbols": ["SPADES", "HEARTS", "DIAMONDS", "CLUBS"]
}

2.2.3 Arrays

• item：数组中元素的 schema

一个例子：声明一个 value 为 string 的 array

{
    "type": "array",
    "items": "string",
    "default": []
}

2.2.4 Maps

• values：map 的值（value）的 schema，其 key 被假定为字符串

一个例子：声明一个 value 为 long 类型，（key 类型为 string）的 map

{
    "type": "map",
    "values": "long",
    "default": {}
}

2.2.5 Unions

union 使用 json 数组表示，例如 [null, "test"] 声明一个模式，它可以是空值或字符串。

需要注意的是：当为 union 类型的字段指定默认值时，默认值的类型必须与 union 第一个元素匹配，因此，对于包含 "null" 的 union，通常先列出 "null"，因为此类型的 union 的默认值通常为空。

另外，union 不能包含多个相同类型的 schema，类型为 record、fixed 和 enum 除外。

2.2.6 Fixed

Fixed 使用类型名称 "fixed" 并支持以下属性：

• name：提供记录名称的 json 字符串（必选）
• namespace：限定名称的 json 字符串
• aliases：字符串的 json 数组，为该记录提供备用名称
• doc：一个 json 字符串，为用户提供该模式的说明（可选）
• size：一个整数，指定每个值的字节数（必须）

例如，16 字节的数可以声明为：

{
    "type": "fixed",
    "name": "md5",
    "size": 16
}

3.Avro 的文件存储格式

3.1 数据编码

3.1.1 原始类型

• 对于 null 类型：不写入内容，即 0 字节长度的内容表示。
• 对于 boolean 类型：以 1 字节的 0 或 1 来表示 false 或 true。
• 对于 int、long：以 zigzag 的方式编码写入。
• 对于 float：固定 4 字节长度，先通过 floatToIntBits 转换 32 位整数，然后按小端编码写入。
• 对于 double：固定 8 字节长度，先通过 doubleToLongBits 转换为 64 位整型，然后按小端编码写入。
• 对于 bytes：先写入长度（采用 zigzag 编码写入），然后是对应长度的二进制数据内容。
• 对于 string：同样先写入长度（采用 zigzag 编码写入），然后再写入字符串对应 utf8 的二进制数据。

3.1.2 复杂类型

• 对于 enums：只需要将 enum 的值所在的 Index 作为结果进行编码即可，例如，枚举值为 ["A","B","C","D"]，那么 0 就表示 "A"，3 表示 "D"。
• 对于 maps：被编码为一系列的块。每个块由一个长整数的计数表示键值对的个数（采用 zigzag 编码写入），其后是多个键值对，计数为 0 的块表示 map 的结束。每个元素按照各自的 schema 类型进行编码。
• 对于 arrays：与 map 类似，同样被编码为一系列的块，每个块包含一个长整数的计数，计数后跟具体的数组项内容，最后以 0 计数的块表示结束。数组项中的每个元素按照各自的 schema 类型进行编码。
• 对于 unions：先写入 long 类型的计数表示每个 value 值的位置序号（从零开始），然后再对值按对应 schema 进行编码。
• 对于 records：直接按照 schema 中的字段顺序来进行编码。
• 对于 fixed：使用 schema 中定义的字节数对实例进行编码。

3.2 存储格式

在一个标准的 avro 文件中，同时存储了 schema 的信息，以及对应的数据内容。具体格式由三部分组成：

• 魔数：固定 4 字节长度，内容为字符 'O'，'b'，'j'，以及版本号标识，通常为 $1$。

• 元数据信息：文件的元数据属性，包括 schema、数据压缩编码方式等。整个元数据属性以一个 map 的形式编码存储，每个属性都以一个 KV 的形式存储，属性名对应 key，属性值对应 value，并以字节数组的形式存储。最后以一个固定 16 字节长度的随机字符串标识元数据的结束。

• 数据内容：而数据内容则由一个或多个数据块构成。每个数据块的最前面是一个 long 型（按照 zigzag 编码存储）的计数表示该数据块中实际有多少条数据，后面再跟一个 long 型的计数表示编码后的（$N$ 条）数据的长度，随后就是按照编码进行存储的一条条数据，在每个数据块的最后都有一个 16 字节长度的随机字符串标识块的结束。

整体存储内容如下图所示：

3.3 存储格式

我们通过一个实际例子来对照分析下。

首先定义 schema 的内容，具体为 4 个字段的表，名称（字符串）、年龄（整型）、技能（数组）、其他（map 类型），详细如下所示：

{
    "type":"record",
    "name":"person",
    "fields": [
        {
            "name": "name",
            "type": "string"
        },
        {
            "name": "age",
            "type": "int"
        },
        {
            "name": "skill",
            "type": {
                "type":"array",
                "items": "string"
            }
        },
        {
            "name": "other",
            "type": {
                "type": "map",
                "values": "string"
            }
        }
    ]
}

再按照上面的 schema 定义两条数据（person.json）：

{"name":"hncscwc","age":20,"skill":["hadoop","flink","spark","kafka"],"other":{"interests":"basketball"}}
{"name":"tom","age":18, "skill":["java","scala"],"other":{}}

通过 avro-tools 可以生成一个 avro 文件：

java -jar avro-tools-1.7.4.jar fromjson --schema-file person.avsc person.json > person.avro

通过二进制的方式查看生成的 avro 文件内容：

另外，对于一个已存在的文件，也可以通过 avro-tools 工具查看 schema 内容、数据内容。

[root@localhost avro]$ java -jar avro-tools-1.7.4.jar getschema ./person.avro
{
  "type" : "record",
  "name" : "person",
  "fields" : [ {
    "name" : "name",
    "type" : "string"
  }, {
    "name" : "age",
    "type" : "int"
  }, {
    "name" : "skill",
    "type" : {
      "type" : "array",
      "items" : "string"
    }
  }, {
    "name" : "other",
    "type" : {
      "type" : "map",
      "values" : "string"
    }
  } ]
}

[root@localhost avro]$ java -jar avro-tools-1.7.4.jar tojson ./person.avro
{"name":"hncscwc","age":20,"skill":["hadoop","flink","spark","kafka"],"other":{"interests":"basketball"}}
{"name":"tom","age":18,"skill":["java","scala"],"other":{}}

4.小结

本文对 avro 的格式定义、编码方式、以及实际存储的文件格式进行了详细说明，最后也以一个实际例子进行了对照说明。另外， 在官网中还涉及 rpc 的使用、mapreduce 的使用，这里就没有展开说明，有兴趣的可移步官网进行查阅。