Потоковые операции чтения и записи данных Avro

Статья
05/09/2024

Apache Avro — это часто используемая система сериализации данных для их потоковой передачи. Типичным решением является размещение данных в формате Avro в Apache Kafka, а метаданных в реестре схемы Confluent и выполнение запросов с помощью платформы потоковой передачи, подключенной к Kafka и реестру схемы.

Azure Databricks поддерживает функцииfrom_avro и to_avro для создания конвейеров потоковой передачи с данными Avro в Kafka и метаданными в реестре схемы. Функция to_avro преобразует столбец в двоичный формат Avro, а from_avro декодирует двоичные данные Avro в столбец. Обе функции преобразуют один столбец в другой, а входные и выходные данные SQL могут быть представлены как сложным, так и простым типом.

Примечание.

Функции from_avro и to_avro:

Доступны в Python, Scala и Java.
Могут передаваться в функции SQL как в пакетных, так и в потоковых запросах.

См. также Источники данных – файлы Avro.

Пример схемы вручную

Аналогично from_json и to_json, можно использовать from_avro и to_avro с любым двоичным столбцом. Схему Avro можно указать вручную, как показано в следующем примере:

import org.apache.spark.sql.avro.functions._
import org.apache.avro.SchemaBuilder

// When reading the key and value of a Kafka topic, decode the
// binary (Avro) data into structured data.
// The schema of the resulting DataFrame is: <key: string, value: int>
val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    from_avro($"key", SchemaBuilder.builder().stringType()).as("key"),
    from_avro($"value", SchemaBuilder.builder().intType()).as("value"))

// Convert structured data to binary from string (key column) and
// int (value column) and save to a Kafka topic.
dataDF
  .select(
    to_avro($"key").as("key"),
    to_avro($"value").as("value"))
  .writeStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("topic", "t")
  .start()

Пример jsonFormatSchema

Схему также можно указать в виде строки JSON. Например, если /tmp/user.avsc — это

{
  "namespace": "example.avro",
  "type": "record",
  "name": "User",
  "fields": [
    {"name": "name", "type": "string"},
    {"name": "favorite_color", "type": ["string", "null"]}
  ]
}

Вы можете создать строку JSON:

from pyspark.sql.avro.functions import from_avro, to_avro

jsonFormatSchema = open("/tmp/user.avsc", "r").read()

Затем используйте схему в from_avro:

# 1. Decode the Avro data into a struct.
# 2. Filter by column "favorite_color".
# 3. Encode the column "name" in Avro format.

output = df\
  .select(from_avro("value", jsonFormatSchema).alias("user"))\
  .where('user.favorite_color == "red"')\
  .select(to_avro("user.name").alias("value"))

Пример с реестром схемы

Если в кластере есть служба реестра схемы, from_avro может работать с ней. В этом случае вам не нужно указывать схему Avro вручную.

В следующем примере показано чтение раздела Kafka "t", при условии, что ключ и значение уже зарегистрированы в реестре схем в качестве субъектов "t-key" и "t-value" типов STRING и INT:

import org.apache.spark.sql.avro.functions._

val schemaRegistryAddr = "https://myhost:8081"
val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    from_avro($"key", "t-key", schemaRegistryAddr).as("key"),
    from_avro($"value", "t-value", schemaRegistryAddr).as("value"))

Для to_avro выходная схема Avro по умолчанию может не соответствовать схеме целевого субъекта в службе реестра схемы по следующим причинам:

Тип Spark SQL и схема Avro не сопоставлялись"один к одному". См. раздел Поддерживаемые типы для Spark SQL —> преобразование Avro.
Если преобразованная исходящая схема Avro представлена записью с именем topLevelRecord и при этом отсутствует пространство имен по умолчанию.

Если у to_avro выходная схема по умолчанию соответствует схеме целевого субъекта, можно выполнить следующие действия:

// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
  .select(
    to_avro($"key", lit("t-key"), schemaRegistryAddr).as("key"),
    to_avro($"value", lit("t-value"), schemaRegistryAddr).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.start()

В противном случае необходимо указать схему целевого субъекта в функции to_avro:

// The Avro schema of subject "t-value" in JSON string format.
val avroSchema = ...
// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
  .select(
    to_avro($"key", lit("t-key"), schemaRegistryAddr).as("key"),
    to_avro($"value", lit("t-value"), schemaRegistryAddr, avroSchema).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.start()

Проверка подлинности во внешнем реестре схем Confluent

В Databricks Runtime 12.2 LTS и более поздних версиях можно пройти проверку подлинности во внешнем реестре схем Confluent. В следующих примерах показано, как настроить параметры реестра схем для включения учетных данных проверки подлинности и ключей API.

Scala

import org.apache.spark.sql.avro.functions._
import scala.collection.JavaConverters._

val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
      "confluent.schema.registry.basic.auth.credentials.source" -> "USER_INFO",
      "confluent.schema.registry.basic.auth.user.info" -> "confluentApiKey:confluentApiSecret")

val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    from_avro($"key", "t-key", schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
    from_avro($"value", "t-value", schemaRegistryAddr, schemaRegistryOptions.asJava).as("value"))

// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
  .select(
    to_avro($"key", lit("t-key"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
    to_avro($"value", lit("t-value"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()

// The Avro schema of subject "t-value" in JSON string format.
val avroSchema = ...

// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
  .select(
    to_avro($"key", lit("t-key"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
    to_avro($"value", lit("t-value"), schemaRegistryAddr, schemaRegistryOptions.asJava, avroSchema).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()

Python

from pyspark.sql.functions import col, lit
from pyspark.sql.avro.functions import from_avro, to_avro

schema_registry_address = "https://confluent-schema-registry-endpoint"
schema_registry_options = {
  "confluent.schema.registry.basic.auth.credentials.source": 'USER_INFO',
  "confluent.schema.registry.basic.auth.user.info": f"{key}:{secret}"
}

df = (spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    from_avro(
      data = col("key"),
      options = schema_registry_options,
      subject = "t-key",
      schemaRegistryAddress = schema_registry_address
    ).alias("key"),
    from_avro(
      data = col("value"),
      options = schema_registry_options,
      subject = "t-value",
      schemaRegistryAddress = schema_registry_address
    ).alias("value")
  )
)

# The converted data is saved to Kafka as a Kafka topic "t".
data_df
  .select(
    to_avro(
      data = col("key"),
      subject = lit("t-key"),
      schemaRegistryAddress = schema_registry_address,
      options = schema_registry_options
    ).alias("key"),
    to_avro(
      data = col("value"),
      subject = lit("t-value"),
      schemaRegistryAddress = schema_registry_address,
      options = schema_registry_options
    ).alias("value")
  )
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()

# The Avro schema of subject "t-value" in JSON string format.
avro_schema = ...

# The converted data is saved to Kafka as a Kafka topic "t".
data_df
  .select(
    to_avro(
      data = col("key"),
      subject = lit("t-key"),
      schemaRegistryAddress = schema_registry_address,
      options = schema_registry_options
    ).alias("key"),
    to_avro(
      data = col("value"),
      subject = lit("t-value"),
      schemaRegistryAddress = schema_registry_address,
      options = schema_registry_options,
      jsonFormatSchema = avro_schema).alias("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()

Использование файлов truststore и хранилища ключей в томах каталога Unity

В Databricks Runtime 14.3 LTS и более поздних версиях можно использовать файлы доверия и хранилища ключей в томах каталога Unity для проверки подлинности в реестре схем Confluent. Обновите конфигурацию в предыдущем примере с помощью следующего синтаксиса:

val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
      "confluent.schema.registry.ssl.truststore.location" -> "/Volumes/<catalog_name>/<schema_name>/<volume_name>/truststore.jks",
      "confluent.schema.registry.ssl.truststore.password" -> "truststorePassword",
      "confluent.schema.registry.ssl.keystore.location" -> "/Volumes/<catalog_name>/<schema_name>/<volume_name>/keystore.jks",
      "confluent.schema.registry.ssl.truststore.password" -> "keystorePassword",
      "confluent.schema.registry.ssl.key.password" -> "keyPassword")

Использование режима эволюции схемы с `from_avro`

В Databricks Runtime 14.2 и более поздних версиях можно использовать режим эволюции схемы с from_avro. Включение режима эволюции схемы приводит к возникновению UnknownFieldException задания после обнаружения эволюции схемы. Databricks рекомендует настраивать задания с режимом эволюции схемы для автоматического перезапуска при сбое задачи. Сведения о настройке заданий структурированной потоковой передачи для перезапуска запросов потоковой передачи при сбое.

Эволюция схемы полезна, если вы ожидаете, что схема исходных данных будет развиваться с течением времени и принимает все поля из источника данных. Если запросы уже явно указывают поля для запроса в источнике данных, добавленные поля игнорируются независимо от эволюции схемы.

avroSchemaEvolutionMode Используйте этот параметр, чтобы включить эволюцию схемы. В следующей таблице описаны параметры режима эволюции схемы:

Вариант	Поведение
`none`	По умолчанию. Игнорирует эволюцию схемы и задание продолжается.
`restart`	`UnknownFieldException` Создает исключение при обнаружении эволюции схемы. Требуется перезапуск задания.

Примечание.

Эту конфигурацию можно изменить между заданиями потоковой передачи и повторно использовать ту же проверка point. Отключение эволюции схемы может привести к удаленным столбцам.

Настройка режима синтаксического анализа

Вы можете настроить режим синтаксического анализа, чтобы определить, требуется ли сбой или выводить пустые записи при отключении режима эволюции схемы, а схема развивается в обратном режиме совместимости. При использовании параметров по умолчанию происходит сбой при from_avro наблюдении несовместимых изменений схемы.

mode Используйте параметр для указания режима синтаксического анализа. В следующей таблице описывается параметр для режима синтаксического анализа:

Вариант	Поведение
`FAILFAST`	По умолчанию. Ошибка синтаксического анализа создает `SparkException` исключение с помощью функции `MALFORMED_AVRO_MESSAGEerrorClass` .
`PERMISSIVE`	Ошибка синтаксического анализа игнорируется, и создается пустая запись.

Примечание.

При включенной эволюции схемы создается только исключение, FAILFAST если запись повреждена.

Пример использования режима эволюции схемы и настройки режима синтаксического анализа

В следующем примере показано включение эволюции схемы и указание FAILFAST режима синтаксического анализа с помощью реестра схем Confluent:

Scala

import org.apache.spark.sql.avro.functions._
import scala.collection.JavaConverters._

val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
      "confluent.schema.registry.basic.auth.credentials.source" -> "USER_INFO",
      "confluent.schema.registry.basic.auth.user.info" -> "confluentApiKey:confluentApiSecret",
      "avroSchemaEvolutionMode" -> "restart",
      "mode" -> "FAILFAST")

val df = spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    // We read the "key" binary column from the subject "t-key" in the schema
    // registry at schemaRegistryAddr. We provide schemaRegistryOptions,
    // which has avroSchemaEvolutionMode -> "restart". This instructs from_avro
    // to fail the query if the schema for the subject t-key evolves.
    from_avro(
            $"key",
            "t-key",
            schemaRegistryAddr,
            schemaRegistryOptions.asJava).as("key"))

Python

from pyspark.sql.functions import col, lit
from pyspark.sql.avro.functions import from_avro, to_avro

schema_registry_address = "https://confluent-schema-registry-endpoint"
schema_registry_options = {
  "confluent.schema.registry.basic.auth.credentials.source": 'USER_INFO',
  "confluent.schema.registry.basic.auth.user.info": f"{key}:{secret}",
  "avroSchemaEvolutionMode": "restart",
  "mode": "FAILFAST",
}

df = (spark
  .readStream
  .format("kafka")
  .option("kafka.bootstrap.servers", servers)
  .option("subscribe", "t")
  .load()
  .select(
    from_avro(
      data = col("key"),
      options = schema_registry_options,
      subject = "t-key",
      schemaRegistryAddress = schema_registry_address
    ).alias("key")
  )
)

Поделиться через

Потоковые операции чтения и записи данных Avro

Пример схемы вручную

Пример jsonFormatSchema

Пример с реестром схемы

Проверка подлинности во внешнем реестре схем Confluent

Scala

Python

Использование файлов truststore и хранилища ключей в томах каталога Unity

Использование режима эволюции схемы с `from_avro`

Настройка режима синтаксического анализа

Пример использования режима эволюции схемы и настройки режима синтаксического анализа

Scala

Python

Обратная связь

Обратная связь

Дополнительные ресурсы

Поделиться через

Потоковые операции чтения и записи данных Avro

Пример схемы вручную

Пример jsonFormatSchema

Пример с реестром схемы

Проверка подлинности во внешнем реестре схем Confluent

Scala

Python

Использование файлов truststore и хранилища ключей в томах каталога Unity

Использование режима эволюции схемы с from_avro

Настройка режима синтаксического анализа

Пример использования режима эволюции схемы и настройки режима синтаксического анализа

Scala

Python

Обратная связь

Обратная связь

Дополнительные ресурсы

Использование режима эволюции схемы с `from_avro`