Spark 2.4 原生支持 avro，别再引用第三方库了

在hadoop 生态圈，我们经常会看到 avro， avro 是什么呢，首先 avro 是可以作为一种基于二进制数据传输高性能的中间件， 比如在 Flume 中，我们使用 avro sinker 来发送数据，使用 avro source 来接受网络数据。

avro 尽管提供了 rpc 机制，事实上Avro的核心特性决定了它通常用在“大数据”存储场景， 即我们通过借助schema将数据写入到“本地文件”或者HDFS中，然后reader再根据schema去迭代获取数据条目， 好处是它的schema 是动态可演变的，这种强大的可扩展性正是“文件数据”存储所必须的。

在 spark2.4 之前的版本中，我们如果需要在 spark 中读取 avro 格式的文件，通常要使用第三方库， 也就是这个项目 https://github.com/databricks/spark-avro，  spark2.4中内置了对avro 格式的支持，有以下好处

• 不用依赖第三方包，开箱即用

• 可以在 DataFrame 中方便使用 from_avro() ，  to_avro()  转来转去
  

• 支持 Logical types ， 也就是我们自己扩展出来的 avro 格式

• 读性能 2倍提升，写性能 提高10%， 原因下文中说明

可以看到，databrick 的人觉得 avro 还是一种很重要的格式，有必要把他放在 spark sql 源码中内置了，不用你再去别的地方去引用，同时官方也顺手做了些性能优化

一个简单的例子

spark2.4中，读取和写入 avro 格式极其方便，只要指定一下 format 为 avro 即可，指定后， DataFrameReader 和 DataFrameWriter 就可以找到相关的 source 实现类，当然这些我们完全不需要关心。

from_avro() and to_avro()

我们都知道，在kafka 中是可以写入 avro 格式的数据，比如 flume 收集的数据就可以直接用 avro 格式写入 kafka， 针对这种场景， 官方内置了两个函数，from_avro() ， to_avro()， 很实用，我们从kafka 中加载数据到 spark ， schema 中有这么几个字段：

这里的 value 是一个字节数组，如果kafka中是 avro 格式的数据，那么这个字节数组中保存的就是 avro 格式的数据，这时候你只需要使用  from_avro()   函数，同时传入一个avro shema（你使用json 格式定义的 avro schema）， 就可以轻松的转换，后面你就可以使用 avro 定义的字段进行相应的操作了 ：

如果你想使用 avro 格式写入kafka 就更方便了，上述例子中，使用o_avro() 转换为avro 格式，然后 输出到 kafka中。

你的老代码应该怎么办

spark2.4 中的内置的 avro 完全兼容原来的第三方库中的 spark-avro，也就是说如果你原来使用的 format 是 com.databricks.spark.avro ， 现在这个代码你完全不用动，如果说你自己在第三方库上做了自己的变更，就是想用外部引用过来的类，也可以，设置 spark.sql.legacy.replaceDatabricksSparkAvro.enabled 为 false 就行。

性能提升

这个性能提升才应该是我们使用新版本最大的动力，这个性能优化在哪里呢，SPARK-24800， 大家可以看下这个 pr 学习一下，我们都知道 spark 内部数据流转格式是 InternalRow，DataFrame 的Row 是要靠 RowEncoder 转换为  InternalRow 格式的， 对于avro 格式来将，原来的实现方式是先把 avro 格式转换为  Row， 然后把  Row 转换为  InternalRow， 新的实现方式是直接把  avro 格式转换为  InternalRow， 省了一步。

下面有一个 databrick 官方做的性能测试报告：

可以看到，读性能提高了一倍，写性能提高了8%左右，这么来看，spark2.4 中使用 avro 确实便利了很多，而且有了 IO 性能的提高，估计以后最新的变动应该第一时间体现在内置的 avro 支持中，而不是第三方的库里面。

所以升不升级你看着办，我先升为敬

大家都在看

▼

关注 【spark技术分享】

一起撸spark源码，一起玩spark最佳实践

听说新版微信这有个好看