如何使用avro在镶木地板文件架构中创建REPEATED类型？

Question

我们正在创建一个数据流管道，我们将从postgres中读取数据并将其写入一个Parquet文件中。 ParquetIO.Sink允许您将GenericRecord的PCollection写入Parquet文件（来自此处https://beam.apache.org/releases/javadoc/2.5.0/org/apache/beam/sdk/io/parquet/ParquetIO。 html ）。 但是实木复合地板文件架构不符合我的预期

这是我的架构：

schema = new org.apache.avro.Schema.Parser().parse("{\n" +
         "     \"type\": \"record\",\n" +
         "     \"namespace\": \"com.example\",\n" +
         "     \"name\": \"Patterns\",\n" +
         "     \"fields\": [\n" +
         "       { \"name\": \"id\", \"type\": \"string\" },\n" +
         "       { \"name\": \"name\", \"type\": \"string\" },\n" +
         "       { \"name\": \"createdAt\", \"type\": {\"type\":\"string\",\"logicalType\":\"timestamps-millis\"} },\n" +
         "       { \"name\": \"updatedAt\", \"type\": {\"type\":\"string\",\"logicalType\":\"timestamps-millis\"} },\n" +
         "       { \"name\": \"steps\", \"type\": [\"null\",{\"type\":\"array\",\"items\":{\"type\":\"string\",\"name\":\"json\"}}] },\n" +
         "     ]\n" +
         "}");

到目前为止，这是我的代码：

Pipeline p = Pipeline.create(
        PipelineOptionsFactory.fromArgs(args).withValidation().create());

p.apply(JdbcIO.<GenericRecord> read()
       .withDataSourceConfiguration(JdbcIO.DataSourceConfiguration.create(
             "org.postgresql.Driver", "jdbc:postgresql://localhost:port/database")
             .withUsername("username")
             .withPassword("password"))
       .withQuery("select * from table limit(10)")
       .withCoder(AvroCoder.of(schema))
       .withRowMapper((JdbcIO.RowMapper<GenericRecord>) resultSet -> {
            GenericRecord record = new GenericData.Record(schema);
            ResultSetMetaData metadata = resultSet.getMetaData();
            int columnsNumber = metadata.getColumnCount();
            for(int i=0; i<columnsNumber; i++) {
                Object columnValue = resultSet.getObject(i+1);
                if(columnValue instanceof UUID) columnValue=columnValue.toString();
                if(columnValue instanceof Timestamp) columnValue=columnValue.toString();
                if(columnValue instanceof PgArray) {
                    Object[] array = (Object[]) ((PgArray) columnValue).getArray();
                    List list=new ArrayList();
                    for (Object d : array) {
                        if(d instanceof PGobject) {
                            list.add(((PGobject) d).getValue());
                        }
                    }
                    columnValue = list;
                 }
                 record.put(i, columnValue);
            }
            return record;
        }))
  .apply(FileIO.<GenericRecord>write()
        .via(ParquetIO.sink(schema).withCompressionCodec(CompressionCodecName.SNAPPY))
        .to("something.parquet")
  );

p.run();

这就是我得到的：

message com.example.table {
  required binary id (UTF8);
  required binary name (UTF8);
  required binary createdAt (UTF8);
  required binary updatedAt (UTF8);
  optional group someArray (LIST) {
    repeated binary array (UTF8);
  }
}

这是我所期望的：

message com.example.table {
  required binary id (UTF8);
  required binary name (UTF8);  
  required binary createdAt (UTF8);
  required binary updatedAt (UTF8);
  optional repeated binary someArray(UTF8);
}

请帮忙

Answer 1

您用来描述预期架构的protobuf消息吗？ 我认为您所得到的是从指定的JSON模式正确生成的。 在protobuf语言规范中， optional repeated操作没有意义： https ： //developers.google.com/protocol-buffers/docs/reference/proto2-spec

您可以删除null括号和方括号以生成简单的repeated字段，并且在语义上等效于optional repeated字段（因为repeated表示零次或多次）。

Answer 2

我没有找到一种方法来从Avro中创建一个不在GroupType中的重复元素。

Beam中的ParquetIO使用parquet-mr项目中定义的“标准” avro转换，在此处实现。

似乎有两种方法可以将Avro ARRAY字段转换为Parquet消息-但这两种都不创建您要查找的内容。

当前，avro转换是目前与ParquetIO交互的唯一方法。 我在ParquetIO中看到了这个JIRA Use Beam模式，该模式将其扩展到Beam Rows，这可能允许使用不同的Parquet消息策略。

或者，您可以为ParquetIO创建JIRA功能请求以支持节俭结构，这应该允许对Parquet结构进行更好的控制。