如何在 PySpark 中读取 Avro 文件

Question

我正在使用 python 编写 spark 作业。但是，我需要读入一大堆 avro 文件。

This 是我在 Spark 的示例文件夹中找到的最接近的解决方案。但是，您需要使用 spark-submit 提交此 python 脚本。在spark-submit的命令行中，你可以指定driver-class，这样的话，你所有的avrokey，avrovalueclass都会被定位。

avro_rdd = sc.newAPIHadoopFile(
        path,
        "org.apache.avro.mapreduce.AvroKeyInputFormat",
        "org.apache.avro.mapred.AvroKey",
        "org.apache.hadoop.io.NullWritable",
        keyConverter="org.apache.spark.examples.pythonconverters.AvroWrapperToJavaConverter",
        conf=conf)

在我的例子中，我需要运行 Python 脚本中的所有内容，我尝试创建一个环境变量来包含 jar 文件，手指交叉 Python 将添加jar 到路径但显然不是，它给了我意外的 class 错误。

os.environ['SPARK_SUBMIT_CLASSPATH'] = "/opt/cloudera/parcels/CDH-5.1.0-1.cdh5.1.0.p0.53/lib/spark/examples/lib/spark-examples_2.10-1.0.0-cdh5.1.0.jar"

任何人都可以帮助我如何在一个 python 脚本中读取 avro 文件？

Answer 1

Spark >= 2.4.0

您可以使用 built-in Avro support。 API 向后兼容 spark-avro 包，并添加了一些内容（最值得注意的是 from_avro / to_avro 函数）。

请注意，该模块未与标准 Spark 二进制文件捆绑在一起，必须使用 spark.jars.packages 或等效机制包含在内。

另见

Spark < 2.4.0

您可以使用 spark-avro 库。首先让我们创建一个示例数据集：

import avro.schema
from avro.datafile import DataFileReader, DataFileWriter

schema_string ='''{"namespace": "example.avro",
 "type": "record",
 "name": "KeyValue",
 "fields": [
     {"name": "key", "type": "string"},
     {"name": "value",  "type": ["int", "null"]}
 ]
}'''

schema = avro.schema.parse(schema_string)

with open("kv.avro", "w") as f, DataFileWriter(f, DatumWriter(), schema) as wrt:
    wrt.append({"key": "foo", "value": -1})
    wrt.append({"key": "bar", "value": 1})

使用spark-csv阅读就这么简单：

df = sqlContext.read.format("com.databricks.spark.avro").load("kv.avro")
df.show()

## +---+-----+
## |key|value|
## +---+-----+
## |foo|   -1|
## |bar|    1|
## +---+-----+

Answer 2

前一种解决方案需要安装第三方 Java 依赖项，这不是大多数 Python 开发人员所满意的。但是，如果您只想使用给定模式解析 Avro 文件，那么您实际上并不需要外部库。你可以只读取二进制文件并用你最喜欢的 python Avro 包解析它们。

例如，这是您可以使用 fastavro:

加载 Avro 文件的方法

from io import BytesIO
import fastavro

schema = {
    ...
}

rdd = sc.binaryFiles("/path/to/dataset/*.avro")\
    .flatMap(lambda args: fastavro.reader(BytesIO(args[1]), reader_schema=schema))

print(rdd.collect())

Answer 3

对于 Spark < 2.4.0，PySpark 可以通过使用 JAR "com.databricks.spark.avro" 和 python 的 "subprocess" 模块

解决方法如下：

avsc_location = hdfs://user/test/test.avsc
avro_location = hdfs://user/test/test.avro

#use subprocess module
import subproccess as SP

load_avsc_file = SP.Popen(["hdfs", "dfs", "-cat", avsc_location], stdout=SP.PIPE, stderr=SP.PIPE)
(avsc_file_output, avsc_file_error) = load_avsc_file.communicate()

avro_df = spark.read.format("com.databricks.spark.avro").option("avroSchema", avsc_file_output).load(avro_location)

如何在 PySpark 中读取 Avro 文件

How to read Avro file in PySpark

python

avro

apache-spark

pyspark