精彩解密大数据之精绝古城

     Avro schema作为大数据一个项目，它可以算得上精品中的上等品，让学习或者想要学习大数据的人为之倾倒，不断挖掘学习，那么它究竟有着怎样的神秘面纱呢？我们一起来揭开！

为了理解Avro，首先要理解序列化。序列化是在内存里表述数据的一种方式，它是一连串的字节，可以保存数据到磁盘或通过网络发送出去，反序列化允许你把数据读回到内存。

举个实际的例子，我们如何序列化数字108125150？可以指定一些具体类型：（1）当存储为Java int类型时是4 bytes；（2）当存储为Java string类型时是9 bytes.

很多编程语言和库都支持序列化，比如Java里的Serializable或Python的pickle。但是向后兼容和交叉语言支持对我们来讲可能是一项挑战，而Avro就是开发出来应对这些挑战。

• 什么是Apache Avro

Avro数据文件格式只是Avro项目的一部分，它是高效的数据序列化框架，是由Doug Cutting创立的Apache顶级项目，在Hadoop和它的生态系统得到广泛的支持。最大的特点就是在不牺牲性能的前提下提供兼容性,可在Java、C、C++、C#、Python、PHP和其他语言中读写数据。Avro也支持RemoteProcedure Calls（RPC），可以用于构建定制网络协议，而且Flume使用它进行内部通信。

• AvroSchemas支持的类型

（1）简单类型：

（2）复杂类型

这里record类型最重要，其他类型主要用来定义record的字段。

• 基本schema示例

这里我们先引用一段SQL CREATE TABLE语句

然后我们使用Avro schema来表达同样的语句

• 在Schema里指定默认值

Avro支持在schema里设置默认值，当没有明确指定字段值的时候使用，和SQL相似

• AvroSchemas和Null值

（1）当序列化数据时Avro检查null值

（2）当在schema里明确指定时才可以使用Null值

• 复杂类型的schema示例

示例：带enum和string array类型的record

• 注释schema

给schema加注释是一种避免歧义的好的做法

（1）所有的类型都支持加上可选的doc属性

• Avro容器格式

Avro定义了一种容器文件格式来存储Avro记录，也称为“Avro数据文件格式”。和Hadoop SequenceFile格式相似，支持交叉语言的数据读写。它也支持块记录的压缩，压缩后数据可分片。另外这种格式是自描述的，每个文件包含一份schema的拷贝，用于写数据，并且所有记录在文件中必须使用相同的schema。

• 使用Avro工具检查Avro数据文件

Avro数据文件是一种高效存储数据的方式，然而，二进制格式使得debug很不方便。使用avro-tools命令来操作二进制文件，可以读取Avro文件里的schema或数据。

挖掘了一番，你有没有挖掘到宝贝呢？如果找到了，这绝对是你的私人财产，如果没有，也没有关系，因为还有猛料等你来！盛大网络大咖亲自坐镇，分享大数据干货，一起来吧！关注微信公众号“大数据cn”，一起来交流。