JSON形式のサーバーログを処理していて、ログをAWS S3にParquet形式で保存したい(そしてParquetにはAvroスキーマが必要です)。 1つ目は、すべてのログに共通のフィールドセットがあり、2つ目は、すべてのログに、共通セットにない多くのオプションフィールドがあります。
たとえば、次の3つのログがあります。
{ "ip": "172.18.80.109", "timestamp": "2015-09-17T23:00:18.313Z", "message":"blahblahblah"}
{ "ip": "172.18.80.112", "timestamp": "2015-09-17T23:00:08.297Z", "message":"blahblahblah", "microseconds": 223}
{ "ip": "172.18.80.113", "timestamp": "2015-09-17T23:00:08.299Z", "message":"blahblahblah", "thread":"http-apr-8080-exec-1147"}
3つのログにはすべて、ip
、timestamp
、message
の3つの共有フィールドがあり、一部のログには、microseconds
やthread
などの追加フィールドがあります。
次のスキーマを使用すると、追加のフィールドがすべて失われます。
{"namespace": "example.avro",
"type": "record",
"name": "Log",
"fields": [
{"name": "ip", "type": "string"},
{"name": "timestamp", "type": "String"},
{"name": "message", "type": "string"}
]
}
次のスキーマは正常に機能します。
{"namespace": "example.avro",
"type": "record",
"name": "Log",
"fields": [
{"name": "ip", "type": "string"},
{"name": "timestamp", "type": "String"},
{"name": "message", "type": "string"},
{"name": "microseconds", "type": [null,long]},
{"name": "thread", "type": [null,string]}
]
}
しかし、唯一の問題は、すべてのログをスキャンしない限り、オプションフィールドの名前がすべてわからないことです。さらに、将来的に新しいフィールドが追加されます。
次に、record
とmap
を組み合わせたアイデアを考えます。
{"namespace": "example.avro",
"type": "record",
"name": "Log",
"fields": [
{"name": "ip", "type": "string"},
{"name": "timestamp", "type": "String"},
{"name": "message", "type": "string"},
{"type": "map", "values": "string"} // error
]
}
残念ながらこれはコンパイルされません:
Java -jar avro-tools-1.7.7.jar compile schema example.avro .
エラーが発生します:
Exception in thread "main" org.Apache.avro.SchemaParseException: No field name: {"type":"map","values":"long"}
at org.Apache.avro.Schema.getRequiredText(Schema.Java:1305)
at org.Apache.avro.Schema.parse(Schema.Java:1192)
at org.Apache.avro.Schema$Parser.parse(Schema.Java:965)
at org.Apache.avro.Schema$Parser.parse(Schema.Java:932)
at org.Apache.avro.tool.SpecificCompilerTool.run(SpecificCompilerTool.Java:73)
at org.Apache.avro.tool.Main.run(Main.Java:84)
at org.Apache.avro.tool.Main.main(Main.Java:73)
不明なオプションのフィールドを柔軟に処理できるJSON文字列をAvro形式で格納する方法はありますか?
基本的に、これはスキーマの進化の問題です。Sparkは スキーマのマージ =。Hadoopを使用した解決策を探しています。
マップタイプは、avro用語では「複雑な」タイプです。以下のスニペットは機能します:
{"namespace": "example.avro",
"type": "record",
"name": "Log",
"fields": [
{"name": "ip", "type": "string"},
{"name": "timestamp", "type": "string"},
{"name": "message", "type": "string"},
{"name": "additional", "type": {"type": "map", "values": "string"}}
]
}