Java 与 Python 通过 Apache Avro 交换数据 | 隔叶黄莺 Yanbin Blog

2017-02-20 | 阅读(2,344)

最近转战到 Amazon 的云服务 AWS 上，考虑到在使用它的 Lambda 服务时 Python 应用有比较可观的启动速度，与之相比而言，Java 总是慢热型，还是一个内存大户。所以有想法 Lambda 函数用 Python 来写，来增强响应速度，而内部的应用仍然采用 Java, 于是就有了 Java 与 Python 的数据交换格式。使用 Kafka 的时候是用的 Apache Avro, 因此继续考察它。

注意，本文的内容会有很大部份与前一篇 Apache Avro 序列化与反序列化 (Java 实现) 雷同，不过再经一次的了应用，了解更深了。

在不同类型语言间进行数据交换，很容易会想到用 JSON 格式，那我们为什么还要用 Apache Avro 呢？通过接下来的内容，我们可以看到以下几点：

Apache Avro 序列化的格式也是 JSON 的，Java 的 Avro 库依赖于 Jackson 库
序列化数据库本身带有 Schema 定义的，方便于反序列化，特别是对于 Java 代码; 而 JavaScript 会表示多此一举
自动支持序列化数据的压缩，在官方提供的库中，Java 可支持 deflate, snappy, bzip2, 和 xz. 其他语言中可能少些，如 Python 只支持 deflate, 和 snappy, 应该可扩充。序列化数据中 Schema 部分不被压缩
天然支持序列化对象列表，这样在序列化数据中只需要一份 Schema，类似于数据库表 Schema 加上多记录行的表示方式。只用 Apache Avro 传输小对象的话，数据量比 JSON 事 JDK 序列化的数据要大。

Apache Avro 官方提供有 C, C++, C#, Java, PHP, Python 和 Ruby 的支持库，可在网上找到其他语种的类库，如 NodeJS, Go 的，等等。

正所谓将要在 Java 和 Python 两个语言间用 Apache Avro 进行数据交换，所以后面的 Reader, Writer 代码会交错着进行

首先也是定义 Schema

与前篇略有不同的是，这里使用了两个 Schema 文件，其中的对象是一对多的关系

文件 product.avsc

{
  "namespace": "cc.unmi.data",
  "type": "record",
  "name": "Product",
  "fields": [
    {"name": "id", "type": "int"},
    {"name": "name", "type": ["string", "null"]}
  ]
}

{

"namespace": "cc.unmi.data",

"type": "record",

"name": "Product",

"fields": [

{"name": "id", "type": "int"},

{"name": "name", "type": ["string", "null"]}

]

}

文件 user.avsc

{
  "namespace": "cc.unmi.data",
  "type": "record",
  "name": "User",
  "fields": [
    {"name": "name", "type": "string"},
    {"name": "address", "type": ["string", "null"]},
    {"name": "products", "type": {"type": "array", "items": "Product"}}
  ]
}

{

"namespace": "cc.unmi.data",

"type": "record",

"name": "User",

"fields": [

{"name": "name", "type": "string"},

{"name": "address", "type": ["string", "null"]},

{"name": "products", "type": {"type": "array", "items": "Product"}}

]

}

product.avsc 的内容也可以内联到 user.avsc 中，如果 product.avsc 需要被重用的话就最好用单独的文件定义。

先看 Java 序列化，Python 反序列化

由 Schema 生成 Java 对象

Java 应用中我们一般会由前面的 Schema 定义生成 Java 领域对象，先要下载 avro-tools-x.x.x.jar 工具包，然后执行

java -jar avro-tools-1.8.1.jar compile schema product.avsc user.avsc java

User 和 Product 类将生成在 cc/unmi/data 目录中。生成的每一个 Java 对象中都含有当前的 Schema 定义，常量 SCHEMA$, 或可通过 getSchema() 方法来获得，所以对于 Java 的 Reader 都不需要依赖于序列化数据中的 Schema 定义。

Java writer 的代码

我在项目中用的构建工具是 sbt, 所以引入 Apache Avro 的依赖方式如下

libraryDependencies += "org.apache.avro" % "avro" % "1.8.1"

类 Writer

package cc.unmi;

import cc.unmi.data.Product;
import cc.unmi.data.User;
import org.apache.avro.file.CodecFactory;
import org.apache.avro.file.DataFileWriter;
import org.apache.avro.io.DatumWriter;
import org.apache.avro.specific.SpecificDatumWriter;

import java.io.File;
import java.io.IOException;
import java.util.Arrays;

public class Writer {
    public static void main(String[] args) throws IOException {

        User user = User.newBuilder()
            .setName("Yanbin")
            .setAddress("Chicago")
            .setProducts(Arrays.asList(
                Product.newBuilder().setId(1).setName("Book1").build(),
                Product.newBuilder().setId(2).setName("Book2").build()
            )).build();

        DatumWriter<User> userDatumWriter = new SpecificDatumWriter<>(User.class);
        DataFileWriter<User> dataFileWriter = new DataFileWriter<>(userDatumWriter);
        dataFileWriter.setCodec(CodecFactory.snappyCodec());  //采用 snappy 进行压缩
        dataFileWriter.create(user.getSchema(), new File("../user-by-java.avro")); //序列化到文件中
        dataFileWriter.append(user);  //添加第一个实例

        user.setName("Unmi");
        user.getProducts().forEach(product -> {
            product.setId(product.getId() + 2);
            product.setName("Book" + (Integer.parseInt(product.getName().toString().substring(4)) + 2));
        });
        dataFileWriter.append(user);  //添加第二个实例
        dataFileWriter.close();
    }
}

package cc.unmi;

import cc.unmi.data.Product;

import cc.unmi.data.User;

import org.apache.avro.file.CodecFactory;

import org.apache.avro.file.DataFileWriter;

import org.apache.avro.io.DatumWriter;

import org.apache.avro.specific.SpecificDatumWriter;

import java.io.File;

import java.io.IOException;

import java.util.Arrays;

public class Writer {

public static void main(String[] args) throws IOException {

User user = User.newBuilder()

.setName("Yanbin")

.setAddress("Chicago")

.setProducts(Arrays.asList(

Product.newBuilder().setId(1).setName("Book1").build(),

Product.newBuilder().setId(2).setName("Book2").build()

)).build();

DatumWriter<User> userDatumWriter = new SpecificDatumWriter<>(User.class);

DataFileWriter<User> dataFileWriter = new DataFileWriter<>(userDatumWriter);

dataFileWriter.setCodec(CodecFactory.snappyCodec()); //采用 snappy 进行压缩

dataFileWriter.create(user.getSchema(), new File("../user-by-java.avro")); //序列化到文件中

dataFileWriter.append(user); //添加第一个实例

user.setName("Unmi");

user.getProducts().forEach(product -> {

product.setId(product.getId() + 2);

product.setName("Book" + (Integer.parseInt(product.getName().toString().substring(4)) + 2));

});

dataFileWriter.append(user); //添加第二个实例

dataFileWriter.close();

}

上面的代码序列化了两个 User 实例，并写到了 ../user-by-java.avro 文件中, 数据部份用了 snappy 进行压缩。

Python reader 代码

在 Python 开始应用 Apache Avro 之前，有几条命令要执行，假设是在 Mac 下

brew install snappy                        # 在安装下一个之前一定要在系统中安装有 snappy 库
pip install python-snappy             # 让 Python 的 Avro 支持 snappy 压缩，否则只能用 deflate
pip install avro                                 # 安装了 Python 的 Avro 库，也同时安装了 avro 命令，可以用 avro 命令读写数据

Python 没有官方的由 Schema 文件生成 Python 类的工具，找到一个非官方的 avro-gen, 但用起来有问题。所以暂时忘了它，或者可以自己创建相关领域类。

reader.py

from avro.datafile import DataFileReader
from avro.io import DatumReader

reader = DataFileReader(open("../user-by-java.avro", "rb"), DatumReader())
for user in reader:
    print(user)
reader.close()

from avro.datafile import DataFileReader

from avro.io import DatumReader

reader = DataFileReader(open("../user-by-java.avro", "rb"), DatumReader())

for user in reader:

print(user)

reader.close()

执行后控制台下打印出

{u'products': [{u'id': 1, u'name': u'Book1'}, {u'id': 2, u'name': u'Book2'}], u'name': u'Yanbin', u'address': u'Chicago'}
{u'products': [{u'id': 3, u'name': u'Book3'}, {u'id': 4, u'name': u'Book4'}], u'name': u'Unmi', u'address': u'Chicago'}

在 Python 得到的是一个字典的列表，想要获得某个 user 的 name 属性要用 user['name'], 所以还是要创建出相应的类型用起来方便些。如果只是反序列化出字典的话，序列化数据中的 Schema 定义就毫无意义了。原生态的 JSON 对于 JavaScript 运用起来就得心应手了，怎么都是点操作，如 user.name。

写到这里本想窥探一下 Apache Avro 的序列化数据格式，但一加就篇幅剧增，也超越了标题限定的范围，所以还是另立新篇。还是接着反着方向来看 Java 读取 Python 序列化的 Apache Avro 数据。

Python 序列化，Java 反序列化

Python writer 代码

由于未能生成相应的 Python 领域对象 Product 和 User, 所以在序列化时还需要获得 Schema 定义来指导工作，在本例中要序列化的数据是字典

writer.py

import avro.schema
import json
from avro.datafile import DataFileWriter
from avro.io import DatumWriter

# schema = avro.schema.parse(open("../user-with-product.avsc", "rb").read())  # 如果 product.avsc 内联在了 user.avsc 则只需这一句


def load_avsc_files(*avsc_files):
    all_schemas = avro.schema.Names()
    schemas = None
    for avsc_file in avsc_files:
        file_text = open(avsc_file).read()
        json_data = json.loads(file_text)
        schemas = avro.schema.make_avsc_object(json_data, all_schemas)

    # print json.dumps(user_schema.to_json(avro.schema.Names()), indent=2)

    return schemas


schema = load_avsc_files("../product.avsc", "../user.avsc")  # 把多个 Schema 内联在一起

writer = DataFileWriter(open("../user-by-python.avro", "w"), DatumWriter(), schema, codec="snappy")
writer.append({'name': 'Yanbin', 'address': 'Chicago', 'products': [{'id': 3, 'name': 'Book3'}, {'id': 4, 'name': 'Book4'}]})
writer.append({'name': 'Unmi', 'address': 'Chicago', 'products': [{'id': 4, 'name': 'Book4'}, {'id': 5, 'name': 'Book5'}]})
writer.close()

import avro.schema

import json

from avro.datafile import DataFileWriter

from avro.io import DatumWriter

# schema = avro.schema.parse(open("../user-with-product.avsc", "rb").read()) # 如果 product.avsc 内联在了 user.avsc 则只需这一句

def load_avsc_files(*avsc_files):

all_schemas = avro.schema.Names()

schemas = None

for avsc_file in avsc_files:

file_text = open(avsc_file).read()

json_data = json.loads(file_text)

schemas = avro.schema.make_avsc_object(json_data, all_schemas)

# print json.dumps(user_schema.to_json(avro.schema.Names()), indent=2)

return schemas

schema = load_avsc_files("../product.avsc", "../user.avsc") # 把多个 Schema 内联在一起

writer = DataFileWriter(open("../user-by-python.avro", "w"), DatumWriter(), schema, codec="snappy")

writer.append({'name': 'Yanbin', 'address': 'Chicago', 'products': [{'id': 3, 'name': 'Book3'}, {'id': 4, 'name': 'Book4'}]})

writer.append({'name': 'Unmi', 'address': 'Chicago', 'products': [{'id': 4, 'name': 'Book4'}, {'id': 5, 'name': 'Book5'}]})

writer.close()

如果只是序列化 Product 的实例只需要用到 product.avsc 文件，最后序列化数据文件写在 ../user-by-python.avro 文件中，并且也采用了 snappy 来压缩数据。

Java reader 代码

写到这里反而有些纳闷了，Apache Avro 与 JSON 的主要区别是它在序列化数据中自带 Schema 定义，而我们读写代码似乎只是把其中的 Schema 定义当摆设。由 Schema 生成的 Java 对象中已包含 Schema 定义，Python 把数据都当字典看待，更不关序列化数据中的 Schema 定义毛事。下图中生成的序列化文件数据

参考 Object Container Files, 简单说它的文件结构是 Magic(Obj+版本01), meta(avro.schema 和 avro.codec), sync(16字节的随机数), 最后加上数据。所以可以看出每次用这种结构来传送小对象是很不经济的，如果是直接用 JSON 或 JDK 序列化的话，只需要最后面数据部份，正如我们前面已看到和后面将要看到的代码一样，序列化文件中的非数据部分好像都是多余的。有效益的办法应该是让数据部分臃肿起来，挤兑掉非 Payload 部分所占的比例。

好啦，现在回过后来看 Java 的 reader 代码

类 Reader

package cc.unmi;

import cc.unmi.data.User;
import org.apache.avro.file.DataFileReader;
import org.apache.avro.io.DatumReader;
import org.apache.avro.specific.SpecificDatumReader;

import java.io.File;
import java.io.IOException;

public class Reader {
    public static void main(String[] args) throws IOException {
        DatumReader<User> userDatumReader = new SpecificDatumReader<>();
        DataFileReader<User> dataFileReader = new DataFileReader<>(new File("../user-by-python.avro"), userDatumReader);
        dataFileReader.forEach(System.out::println);
    }
}

package cc.unmi;

import cc.unmi.data.User;

import org.apache.avro.file.DataFileReader;

import org.apache.avro.io.DatumReader;

import org.apache.avro.specific.SpecificDatumReader;

import java.io.File;

import java.io.IOException;

public class Reader {

public static void main(String[] args) throws IOException {

DatumReader<User> userDatumReader = new SpecificDatumReader<>();

DataFileReader<User> dataFileReader = new DataFileReader<>(new File("../user-by-python.avro"), userDatumReader);

dataFileReader.forEach(System.out::println);

}

读取代码总是比较简单的，可成功序列化为一个个 User 对象，执行后输出为

{"name": "Yanbin", "address": "Chicago", "products": [{"id": 3, "name": "Book3"}, {"id": 4, "name": "Book4"}]}
{"name": "Unmi", "address": "Chicago", "products": [{"id": 4, "name": "Book4"}, {"id": 5, "name": "Book5"}]}

本文示例代码请见 https://github.com/yabqiu/java-avro-python

本文链接 https://yanbin.blog/java-python-communicate-via-apache-avro/, 来自隔叶黄莺 Yanbin Blog