Kafka Connect S3 sink 在加载 Avro 时抛出 IllegalArgumentException

Question

我正在使用qubole's S3 sink 将 Avro 数据以 Parquet 格式加载到 S3 中。

在我的 Java 应用程序中，我创建了一个生产者

Properties props = new Properties();
props.put("bootstrap.servers", KafkaHelper.getServers());
props.put("key.serializer", "org.apache.kafka.common.serialization.ByteArraySerializer");
props.put("value.serializer", "org.apache.kafka.common.serialization.ByteArraySerializer");
return new KafkaProducer<byte[], byte[]>(props);

然后将GenericRecord转换成byte[]格式：

GenericRecord avroRecord = new GenericData.Record(avroSchema);
Injection<GenericRecord, byte[]> recordInjection = GenericAvroCodecs.toBinary(avroSchema);

for (Map.Entry<String, ?> entry : map.entrySet()) {
    String key = entry.getKey();
    Object value = entry.getValue();
    avroRecord.put(key, value);
}

ProducerRecord<byte[], byte[]> record = new ProducerRecord<>(topic, recordInjection.apply(avroRecord));
producer.send(record);

我在我的 Kafka Connect 属性中使用以下值：

key.converter=com.qubole.streamx.ByteArrayConverter
value.converter=com.qubole.streamx.ByteArrayConverter
internal.key.converter=org.apache.kafka.connect.json.JsonConverter
internal.value.converter=org.apache.kafka.connect.json.JsonConverter
internal.key.converter.schemas.enable=false
internal.value.converter.schemas.enable=false

以及我的文件接收器属性中的以下配置选项：

connector.class=com.qubole.streamx.s3.S3SinkConnector
format.class=io.confluent.connect.hdfs.parquet.ParquetFormat

当我运行连接器时，我收到以下错误消息：'java.lang.IllegalArgumentException: Avro schema must be a record'。

我对 Kafka Connect 很陌生，我知道可以设置 Schema Registry 服务器——但我不明白接收器是否需要注册表来将 Avro 数据转换为 Parquet，或者这是否是我的某种格式或配置问题。在此错误的上下文中，“记录”指的是哪种数据格式？任何方向或帮助将不胜感激。

Answer 1

ByteArrayConverter 不会对数据进行任何转换：它不会实际进行任何序列化/反序列化，而是假定连接器知道如何处理原始 byte[] 数据。但是，ParquetFormat（实际上是大多数格式）不能只处理原始数据。相反，他们希望将数据反序列化并结构化为记录（您可以将其视为 C 结构、POJO 等）。

请注意，qubole streamx README 指出ByteArrayConverter 在您可以安全地直接复制数据的情况下很有用。例如，如果您拥有 JSON 或 CSV 格式的数据。这些不需要反序列化，因为每个 Kafka 记录值的字节可以简单地复制到输出文件中。在这些情况下这是一个很好的优化，但通常不适用于所有输出文件格式。