17

我在 Spark 中,我有一个来自 Avro 文件的 RDD。我现在想对该 RDD 进行一些转换并将其保存为 Avro 文件:

val job = new Job(new Configuration())
AvroJob.setOutputKeySchema(job, getOutputSchema(inputSchema))

rdd.map(elem => (new SparkAvroKey(doTransformation(elem._1)), elem._2))
   .saveAsNewAPIHadoopFile(outputPath, 
  classOf[AvroKey[GenericRecord]], 
  classOf[org.apache.hadoop.io.NullWritable], 
  classOf[AvroKeyOutputFormat[GenericRecord]], 
  job.getConfiguration)

运行此 Spark 时抱怨 Schema$recordSchema 不可序列化。

如果我取消注释 .map 调用(并且只有 rdd.saveAsNewAPIHadoopFile),则调用成功。

我在这里做错了什么?

任何想法?

4

3 回答 3

5

这里的问题与 Job 中使用的 avro.Schema 类的不可序列化有关。当您尝试从 map 函数内的代码中引用架构对象时,将引发异常。

例如,如果您尝试执行以下操作,您将收到“Task not serializable”异常:

val schema = new Schema.Parser().parse(new File(jsonSchema))
...
rdd.map(t => {
  // reference to the schema object declared outside
  val record = new GenericData.Record(schema)
})

您可以通过在功能块内创建模式的新实例来使一切正常工作:

val schema = new Schema.Parser().parse(new File(jsonSchema))
// The schema above should not be used in closures, it's for other purposes
...
rdd.map(t => {
  // create a new Schema object
  val innserSchema = new Schema.Parser().parse(new File(jsonSchema))
  val record = new GenericData.Record(innserSchema)
  ...
})

由于您不希望为您处理的每条记录解析 avro 架构,因此更好的解决方案是在分区级别解析架构。以下也有效:

val schema = new Schema.Parser().parse(new File(jsonSchema))
// The schema above should not be used in closures, it's for other purposes
...
rdd.mapPartitions(tuples => {
  // create a new Schema object
  val innserSchema = new Schema.Parser().parse(new File(jsonSchema))

  tuples.map(t => {
    val record = new GenericData.Record(innserSchema)
    ...
    // this closure will be bundled together with the outer one 
    // (no serialization issues)
  })
})

只要您提供对 jsonSchema 文件的可移植引用,上面的代码就可以工作,因为 map 函数将由多个远程执行程序执行。它可以是对 HDFS 中文件的引用,也可以与 JAR 中的应用程序一起打包(在后一种情况下,您将使用类加载器函数来获取其内容)。

对于那些尝试将 Avro 与 Spark 一起使用的人,请注意仍然存在一些未解决的编译问题,您必须在 Maven POM 上使用以下导入:

<dependency>
  <groupId>org.apache.avro</groupId>
  <artifactId>avro-mapred</artifactId>
  <version>1.7.7</version>
  <classifier>hadoop2</classifier>
<dependency>

注意"hadoop2"分类器。您可以在https://issues.apache.org/jira/browse/SPARK-3039跟踪问题。

于 2014-12-11T22:50:34.563 回答
2

Spark 使用的默认序列化器是 Java 序列化。因此,对于所有 java 类型,它将尝试使用 Java 序列化进行序列化。AvroKey 不可序列化,因此您会遇到错误。

您可以使用 KryoSerializer,或自定义序列化中的插件(如 Avro)。您可以在此处阅读有关序列化的更多信息。http://spark-project.org/docs/latest/tuning.html

您还可以用可外部化的东西来包装您的对象。例如,在这里查看包装 AvroFlumeEvent 的 SparkFlumeEvent:https ://github.com/apache/spark/blob/master/external/flume/src/main/scala/org/apache/spark/streaming/flume/FlumeInputDStream.scala

于 2014-05-13T23:52:36.667 回答
0

使用 dataframe,使用 databrics 库创建 avro 非常简单。

dataframe.write.format("com.databricks.spark.avro").avro($hdfs_path)

在您的情况下,输入是 avro,因此它将具有与之关联的架构,因此您可以直接将 avro 读入数据帧,并且在转换后您可以使用上述代码写入 avro。

要将 avro 读入数据框:

火花 1.6

val dataframe =sqlContext.read.avro($hdfs_path) 或 val dataframe = sqlContext.read.format("com.databricks.spark.avro").load($hdfs_path)

火花 2.1

val dataframe =sparkSession.read.avro($hdfs_path) 或 val dataframe = sparkSession.read.format("com.databricks.spark.avro").load($hdfs_path)

于 2018-03-27T09:42:51.720 回答