点燃拼花地板

Question

我有一个 avro 格式的数据流（json 编码）需要存储为 parquet 文件。我只能这样做，

val df = sqc.read.json(jsonRDD).toDF()

并将 df 写为 parquet。

这里的架构是从 json 中推断出来的。但是我已经有了 avsc 文件，我不希望 spark 从 json.

推断模式

并且在上述方式中，parquet 文件将架构信息存储为 StructType 而不是 avro.record.type。有没有办法存储 avro 模式信息。

火花 - 1.4.1

Answer 1

您可以以编程方式指定架构

// The schema is encoded in a string
val schemaString = "name age"

// Import Row.
import org.apache.spark.sql.Row;

// Import Spark SQL data types
import org.apache.spark.sql.types.{StructType,StructField,StringType};

// Generate the schema based on the string of schema
val schema =
  StructType(
    schemaString.split(" ").map(fieldName => StructField(fieldName, StringType, true)))

// Convert records of the RDD (people) to Rows.
val rowRDD = people.map(_.split(",")).map(p => Row(p(0), p(1).trim))

// Apply the schema to the RDD.
val peopleDataFrame = sqlContext.createDataFrame(rowRDD, schema)

请看：http://spark.apache.org/docs/latest/sql-programming-guide.html

spark-avro 然后使用模式类型指定 avro 类型，如下所示

Spark SQL 类型 -> Avro 类型
字节类型 -> 整数
短类型 -> 整数
小数类型 -> 字符串
二进制类型 -> 字节
时间戳类型 -> 长
结构类型 -> 记录

你可以这样写Avro记录：

import com.databricks.spark.avro._

val sqlContext = new SQLContext(sc)

import sqlContext.implicits._

val df = Seq((2012, 8, "Batman", 9.8),
        (2012, 8, "Hero", 8.7),
        (2012, 7, "Robot", 5.5),
        (2011, 7, "Git", 2.0))
        .toDF("year", "month", "title", "rating")

df.write.partitionBy("year", "month").avro("/tmp/output")

Answer 2

最终使用了这个问题的答案avro-schema-to-spark-structtype

def getSparkSchemaForAvro(sqc: SQLContext, avroSchema: Schema): StructType = {
    val dummyFIle = File.createTempFile("avro_dummy", "avro")
    val datumWriter = new GenericDatumWriter[wuser]()
    datumWriter.setSchema(avroSchema)
    val writer = new DataFileWriter(datumWriter).create(avroSchema, dummyFIle)
    writer.flush()
    writer.close()
    val df = sqc.read.format("com.databricks.spark.avro").load(dummyFIle.getAbsolutePath)
    df.schema
}

点燃拼花地板

Spark avro to parquet

scala

avro

apache-spark

parquet

spark-dataframe