如何在 Avro 中将记录与地图混合？

Question

我正在处理 JSON 格式的服务器日志，我想以 Parquet 格式将我的日志存储在 AWS S3 上（并且 Parquet 需要 Avro 模式）。首先，所有日志都有一组共同的字段，其次，所有日志都有很多不属于共同组的可选字段。

例如，以下是三个日志：

{ "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，部分日志还有额外字段，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"}
 ]
}

以下架构可以正常工作：

{"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，而且将来还会有新的附加字段。

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，可以灵活地处理未知的可选字段？

基本上这是一个模式演化问题，Spark可以通过Schema Merging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 sn-p 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"}}
  ]
}