如何在 Avro 中混合记录和地图？

Question

我正在处理 JSON 格式的服务器日志，我想将我的日志以 Parquet 格式存储在 AWS S3 上（Parquet 需要 Avro 架构）。首先，所有日志都有一组公共字段，其次，所有日志都有很多不在公共集中的可选字段。

例如以下三个日志：

{ "ip": "172.18.80.109", "timestamp": "2015-09-17T23:00:18.313Z", "message":"blahblahblah"}
{ "ip": "172.18.80.112", "timestamp": "2015-09-17T23:00:08.297Z", "message":"blahblahblah", "microseconds": 223}
{ "ip": "172.18.80.113", "timestamp": "2015-09-17T23:00:08.299Z", "message":"blahblahblah", "thread":"http-apr-8080-exec-1147"}

三个日志都有3个共享字段：ip、timestamp和message，一些日志有额外的字段，例如microseconds和thread.

如果我使用以下架构，那么我将丢失所有其他字段。:

{"namespace": "example.avro",
 "type": "record",
 "name": "Log",
 "fields": [
     {"name": "ip", "type": "string"},
     {"name": "timestamp",  "type": "String"},
     {"name": "message", "type": "string"}
 ]
}

并且以下架构工作正常：

{"namespace": "example.avro",
 "type": "record",
 "name": "Log",
 "fields": [
     {"name": "ip", "type": "string"},
     {"name": "timestamp",  "type": "String"},
     {"name": "message", "type": "string"},
     {"name": "microseconds", "type": [null,long]},
     {"name": "thread", "type": [null,string]}
 ]
}

但唯一的问题是，除非我扫描所有日志，否则我不知道所有可选字段的名称，此外，将来会有新的附加字段。

然后我想出了一个结合record和map的想法：

{"namespace": "example.avro",
 "type": "record",
 "name": "Log",
 "fields": [
     {"name": "ip", "type": "string"},
     {"name": "timestamp",  "type": "String"},
     {"name": "message", "type": "string"},
     {"type": "map", "values": "string"}  // error
 ]
}

不幸的是，这不会编译：

java -jar avro-tools-1.7.7.jar compile schema example.avro .

它会抛出一个错误：

Exception in thread "main" org.apache.avro.SchemaParseException: No field name: {"type":"map","values":"long"}
    at org.apache.avro.Schema.getRequiredText(Schema.java:1305)
    at org.apache.avro.Schema.parse(Schema.java:1192)
    at org.apache.avro.Schema$Parser.parse(Schema.java:965)
    at org.apache.avro.Schema$Parser.parse(Schema.java:932)
    at org.apache.avro.tool.SpecificCompilerTool.run(SpecificCompilerTool.java:73)
    at org.apache.avro.tool.Main.run(Main.java:84)
    at org.apache.avro.tool.Main.main(Main.java:73)

有没有办法以 Avro 格式存储 JSON 字符串，这样可以灵活地处理未知的可选字段？

基本上这是一个schema evolution的问题，Spark可以通过Schema Merging来处理这个问题。我正在寻找 Hadoop 的解决方案。

Answer 1

地图类型是 avro 术语中的“复杂”类型。以下代码段有效：

{
  "namespace": "example.avro",
  "type": "record",
  "name": "Log",
  "fields": [
    {"name": "ip", "type": "string"},
    {"name": "timestamp",  "type": "string"},
    {"name": "message", "type": "string"},
    {"name": "additional", "type": {"type": "map", "values": "string"}}
  ]
}

如何在 Avro 中混合记录和地图？

How to mix record with map in Avro?

avro