ストリーミング Avro データの読み取りと書き込み
Apache Avro は、ストリーミング環境で一般的に使用されるデータ シリアル化システムです。 一般的なソリューションは、Avro 形式のデータを Apache Kafka に、メタデータを Confluent スキーマ レジストリに配置し、Kafka とスキーマ レジストリの両方に接続できるストリーミング フレームワークを使用してクエリを実行することです。
Azure Databricks は、from_avro
と to_avro
関数をサポートしており、Kafka 内のデータとスキーマ レジストリ内のメタデータを使用してストリーミング パイプラインを構築できます。 to_avro
関数は列を Avro 形式のバイナリとしてエンコードし、from_avro
は Avro のバイナリ データを列にデコードします。 どちらの関数も 1 つの列を別の列に変換するもので、入力と出力の SQL データ型は複合型またはプリミティブ型にすることができます。
Avro ファイルのデータ ソースに関するページも参照してください。
手動で指定したスキーマの例
from_json や to_json と同様に、任意のバイナリ列で from_avro
と to_avro
を使用できます。 Avro スキーマは、次の例のように手動で指定できます。
import org.apache.spark.sql.avro.functions._
import org.apache.avro.SchemaBuilder
// When reading the key and value of a Kafka topic, decode the
// binary (Avro) data into structured data.
// The schema of the resulting DataFrame is: <key: string, value: int>
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
from_avro($"key", SchemaBuilder.builder().stringType()).as("key"),
from_avro($"value", SchemaBuilder.builder().intType()).as("value"))
// Convert structured data to binary from string (key column) and
// int (value column) and save to a Kafka topic.
dataDF
.select(
to_avro($"key").as("key"),
to_avro($"value").as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.start()
jsonFormatSchema の例
スキーマを JSON 文字列として指定することもできます。 たとえば、/tmp/user.avsc
が次の値で、
{
"namespace": "example.avro",
"type": "record",
"name": "User",
"fields": [
{"name": "name", "type": "string"},
{"name": "favorite_color", "type": ["string", "null"]}
]
}
次の JSON 文字列を作成できます。
from pyspark.sql.avro.functions import from_avro, to_avro
jsonFormatSchema = open("/tmp/user.avsc", "r").read()
その後、from_avro
でそのスキーマを使用します。
# 1. Decode the Avro data into a struct.
# 2. Filter by column "favorite_color".
# 3. Encode the column "name" in Avro format.
output = df\
.select(from_avro("value", jsonFormatSchema).alias("user"))\
.where('user.favorite_color == "red"')\
.select(to_avro("user.name").alias("value"))
スキーマ レジストリを使用した例
クラスターでスキーマ レジストリ サービスを使用している場合、from_avro
はそれに対応できるため、Avro スキーマを手動で指定する必要がありません。
次の例では、Kafka トピック "t" を読み取る方法を示します。キーと値が、STRING
型のサブジェクト "t-key" および INT
型の "t-value" としてスキーマ レジストリに既に登録されていると仮定しています。
import org.apache.spark.sql.avro.functions._
val schemaRegistryAddr = "https://myhost:8081"
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
from_avro($"key", "t-key", schemaRegistryAddr).as("key"),
from_avro($"value", "t-value", schemaRegistryAddr).as("value"))
to_avro
では、次の理由により、既定の出力 Avro スキーマがスキーマ レジストリ サービスのターゲット サブジェクトのスキーマと一致しない可能性があります。
- Spark SQL 型から Avro スキーマへのマッピングは 1 対 1 ではありません。 「Spark SQL でサポートされる型 -> Avro 変換」を参照してください。
- 変換された出力 Avro スキーマがレコード型である場合、レコード名は
topLevelRecord
であり、既定では名前空間は存在しません。
to_avro
の既定の出力スキーマがターゲット サブジェクトのスキーマと一致する場合は、次のようにすることができます。
// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
.select(
to_avro($"key", lit("t-key"), schemaRegistryAddr).as("key"),
to_avro($"value", lit("t-value"), schemaRegistryAddr).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.start()
それ以外の場合は、to_avro
関数でターゲット サブジェクトのスキーマを指定する必要があります。
// The Avro schema of subject "t-value" in JSON string format.
val avroSchema = ...
// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
.select(
to_avro($"key", lit("t-key"), schemaRegistryAddr).as("key"),
to_avro($"value", lit("t-value"), schemaRegistryAddr, avroSchema).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.start()
外部 Confluent スキーマ レジストリに対して認証する
Databricks Runtime 12.2 LTS 以降では、外部 Confluent スキーマ レジストリに対して認証できます。 認証資格情報と API キーを含むようにスキーマ レジストリ オプションを構成する方法を次の例に示します。
Scala
import org.apache.spark.sql.avro.functions._
import scala.collection.JavaConverters._
val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
"confluent.schema.registry.basic.auth.credentials.source" -> "USER_INFO",
"confluent.schema.registry.basic.auth.user.info" -> "confluentApiKey:confluentApiSecret")
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
from_avro($"key", "t-key", schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
from_avro($"value", "t-value", schemaRegistryAddr, schemaRegistryOptions.asJava).as("value"))
// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
.select(
to_avro($"key", lit("t-key"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
to_avro($"value", lit("t-value"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()
// The Avro schema of subject "t-value" in JSON string format.
val avroSchema = ...
// The converted data is saved to Kafka as a Kafka topic "t".
dataDF
.select(
to_avro($"key", lit("t-key"), schemaRegistryAddr, schemaRegistryOptions.asJava).as("key"),
to_avro($"value", lit("t-value"), schemaRegistryAddr, schemaRegistryOptions.asJava, avroSchema).as("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()
Python
from pyspark.sql.functions import col, lit
from pyspark.sql.avro.functions import from_avro, to_avro
schema_registry_address = "https://confluent-schema-registry-endpoint"
schema_registry_options = {
"confluent.schema.registry.basic.auth.credentials.source": 'USER_INFO',
"confluent.schema.registry.basic.auth.user.info": f"{key}:{secret}"
}
df = (spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
from_avro(
data = col("key"),
options = schema_registry_options,
subject = "t-key",
schemaRegistryAddress = schema_registry_address
).alias("key"),
from_avro(
data = col("value"),
options = schema_registry_options,
subject = "t-value",
schemaRegistryAddress = schema_registry_address
).alias("value")
)
)
# The converted data is saved to Kafka as a Kafka topic "t".
data_df
.select(
to_avro(
data = col("key"),
subject = lit("t-key"),
schemaRegistryAddress = schema_registry_address,
options = schema_registry_options
).alias("key"),
to_avro(
data = col("value"),
subject = lit("t-value"),
schemaRegistryAddress = schema_registry_address,
options = schema_registry_options
).alias("value")
)
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()
# The Avro schema of subject "t-value" in JSON string format.
avro_schema = ...
# The converted data is saved to Kafka as a Kafka topic "t".
data_df
.select(
to_avro(
data = col("key"),
subject = lit("t-key"),
schemaRegistryAddress = schema_registry_address,
options = schema_registry_options
).alias("key"),
to_avro(
data = col("value"),
subject = lit("t-value"),
schemaRegistryAddress = schema_registry_address,
options = schema_registry_options,
jsonFormatSchema = avro_schema).alias("value"))
.writeStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("topic", "t")
.save()
Unity Catalog ボリュームでトラストストアおよびキーストア ファイルを使用する
Databricks Runtime 14.3 LTS 以降では、Unity Catalog ボリュームのトラストストアおよびキーストア ファイルを使用して、Confluent スキーマ レジストリに対する認証を行うことができます。 次の構文を使用して、前の例の構成を更新します。
val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
"confluent.schema.registry.ssl.truststore.location" -> "/Volumes/<catalog_name>/<schema_name>/<volume_name>/truststore.jks",
"confluent.schema.registry.ssl.truststore.password" -> "truststorePassword",
"confluent.schema.registry.ssl.keystore.location" -> "/Volumes/<catalog_name>/<schema_name>/<volume_name>/keystore.jks",
"confluent.schema.registry.ssl.truststore.password" -> "keystorePassword",
"confluent.schema.registry.ssl.key.password" -> "keyPassword")
from_avro
でスキーマ進化モードを使用する
Databricks Runtime 14.2 以降では from_avro
でスキーマ進化モードを使用できます。 スキーマ進化モードを有効にすると、スキーマの進化を検出した後にジョブで UnknownFieldException
がスローされます。 Databricks では、タスクの失敗時に自動的に再起動するように、スキーマ進化モードでジョブを構成することをお勧めします。 「構造化ストリーミングの運用に関する考慮事項」を参照してください。
スキーマの進化は、お使いのソース データのスキーマが時間の経過とともに進化し、データ ソースからすべてのフィールドを取り込む場合に便利です。 クエリでデータ ソースでクエリを実行するフィールドが既に明示的に指定されている場合、スキーマの進化に関係なく、追加されたフィールドは無視されます。
スキーマの進化を有効にするには、avroSchemaEvolutionMode
オプションを使用してください。 次の表では、スキーマ進化モードのオプションについて説明します。
オプション | Behavior |
---|---|
none |
Default。 スキーマの進化を無視し、ジョブを続行します。 |
restart |
スキーマの進化を検出するときにUnknownFieldException をスローします。 ジョブの再起動が必要です。 |
Note
ストリーミング ジョブ間でこの構成を変更し、同じチェックポイントを再利用できます。 スキーマの進化を無効にすると、列が削除される場合があります。
解析モードを構成する
解析モードを構成して、スキーマ進化モードが無効であり、スキーマが下位互換性のない方法で進化したときに、失敗するか null レコードを出力するかを決定できます。 既定の設定では、 換性のないスキーマの変更が観察されると from_avro
は失敗します。
解析モードを指定するには、mode
オプションを使用します。 次の表では、解析モードのオプションについて説明します。
オプション | Behavior |
---|---|
FAILFAST |
Default。 解析エラーは、MALFORMED_AVRO_MESSAGE という errorClass を持つ SparkException がスローされます。 |
PERMISSIVE |
解析エラーは無視され、null レコードが出力されます。 |
Note
スキーマの進化を有効にすると、レコードが破損している場合にのみ FAILFAST
により例外がスローされます。
スキーマの進化と解析モードの設定の使用例
次の例では、スキーマの進化を有効にし、Confluent スキーマ レジストリを使用して FAILFAST
解析モードを指定する方法を示します。
Scala
import org.apache.spark.sql.avro.functions._
import scala.collection.JavaConverters._
val schemaRegistryAddr = "https://confluent-schema-registry-endpoint"
val schemaRegistryOptions = Map(
"confluent.schema.registry.basic.auth.credentials.source" -> "USER_INFO",
"confluent.schema.registry.basic.auth.user.info" -> "confluentApiKey:confluentApiSecret",
"avroSchemaEvolutionMode" -> "restart",
"mode" -> "FAILFAST")
val df = spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
// We read the "key" binary column from the subject "t-key" in the schema
// registry at schemaRegistryAddr. We provide schemaRegistryOptions,
// which has avroSchemaEvolutionMode -> "restart". This instructs from_avro
// to fail the query if the schema for the subject t-key evolves.
from_avro(
$"key",
"t-key",
schemaRegistryAddr,
schemaRegistryOptions.asJava).as("key"))
Python
from pyspark.sql.functions import col, lit
from pyspark.sql.avro.functions import from_avro, to_avro
schema_registry_address = "https://confluent-schema-registry-endpoint"
schema_registry_options = {
"confluent.schema.registry.basic.auth.credentials.source": 'USER_INFO',
"confluent.schema.registry.basic.auth.user.info": f"{key}:{secret}",
"avroSchemaEvolutionMode": "restart",
"mode": "FAILFAST",
}
df = (spark
.readStream
.format("kafka")
.option("kafka.bootstrap.servers", servers)
.option("subscribe", "t")
.load()
.select(
from_avro(
data = col("key"),
options = schema_registry_options,
subject = "t-key",
schemaRegistryAddress = schema_registry_address
).alias("key")
)
)