spark StructType的Avro架构

Question

这实际上与我之前的问题相同，但使用Avro而不是JSON作为数据格式。

我正在使用一个Spark数据框架，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");

它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”。我之前的问题中的建议是设置模式，但是我不想重复自己在. avro文件中编写模式，也不想重复自己在结构类型和朋友中编写模式。如何将avro模式（文本文件或生成的MeObject.getClassSchema（））转换为火花结构类型？

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

Answer 1

请看看这是否有帮助，尽管为时已晚。我一直在为我目前的工作努力。我使用了Databricks中的schemaconverter。我想，您正在尝试使用给定的模式读取avro文件。

 val schemaObj = new Schema.Parser().parse(new File(avscfilepath));
 var sparkSchema : StructType = new StructType
 import scala.collection.JavaConversions._     
 for(field <- schemaObj.getFields()){
  sparkSchema = sparkSchema.add(field.name, SchemaConverters.toSqlType(field.schema).dataType)
 }
 sparkSchema

Answer 2

免责声明：这是一种肮脏的黑客行为。这取决于以下几点：

• Python提供了一个轻量级的Avro处理库，由于其动态性，它不需要类型化编写器
• 一个空的Avro文件仍然是一个有效的文档
• Spark模式可以与JSON转换

以下代码读取Avro模式文件，使用给定模式创建一个空的Avro文件，使用spack-csv读取它并将Spark模式输出为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

读取架构：

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]