Spark:写入Avro文件

此处的问题与作业中使用的avro.Schema类的不可序列化有关.当您尝试从map函数内的代码引用架构对象时,抛出异常.

例如,如果您尝试执行以下操作,您将获得"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工作正常:

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).

对于那些试图将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上跟踪该问题.