ストリーミング Avro データの読み取りと書き込み

Apache Avro は、ストリーミングの世界で一般的に使用されているデータシリアル化システムです。 一般的な解決策は、Apache Kafka に Avro 形式のデータを配置し、Confluent スキーマレジストリにメタデータを配置してから、Kafka と スキーマレジストリの両方に接続するストリーミングフレームワークでクエリーを実行することです。

Databricks では、Kafka の Avro データとスキーマ レジストリ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するための from_avro 関数と to_avro 関数 がサポートされています。この関数は、列を Avro 形式のバイナリとしてエンコード to_avro 、Avro バイナリ データを列にデコード from_avro 。 どちらの関数も 1 つの列を別の列に変換し、入出力 SQL データ・タイプは複合タイプまたはプリミティブ・タイプにすることができます。

from_avro および to_avro 関数は、次の機能を備えています。

  • Python、Scala、およびJavaで利用できます。

  • バッチとストリーミングの両方のクエリで SQL 関数に渡すことができます。

「Avro ファイル データソース」も参照してください。

手動で指定したスキーマの例

from_jsonto_json と同様に、from_avroto_avro は任意のバイナリ列で使用できます。次の例のように、Avro スキーマを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 example

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 が次の場合です。

{
  "namespace": "example.avro",
  "type": "record",
  "name": "User",
  "fields": [
    {"name": "name", "type": "string"},
    {"name": "favorite_color", "type": ["string", "null"]}
  ]
}

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()

次に、 from_avro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の例

クラスターにスキーマレジストリサービスがある場合は、 from_avro がそれを操作できるため、Avro スキーマを手動で指定する必要はありません。

次の例は、キーと値が型 STRINGINTのサブジェクト "t-key" と "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、Kafka トピック "t" を読み取る方法を示しています。

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の場合、次の理由により、デフォルトの出力 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場合があります。

  • 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 -> Avro 変換でサポートされている型」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タイプの場合、レコード名は topLevelRecord であり、デフォルトでは名前空間はありません。

デフォルトの出力スキーマ to_avro 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、以下を実行できます。

// 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()

外部の Confluent スキーマレジストリに対する認証

Databricks Runtime 12.2 LTS 以降では、外部の Confluent スキーマ レジストリに対して認証できます。 次の例は、認証資格情報と API キーを含めるようにスキーマ レジストリ オプションを構成する方法を示しています。

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()
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 ファイルとキーストア ファイルを使用する

Databricks Runtime 14.3 LTS 以降では、Unity Catalog ボリューム内のトラストストア ファイルとキーストア 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、スキーマ進化を検出した後にジョブが UnknownFieldException をスローします。 Databricks では、スキーマ進化モードを使用してジョブを構成して、タスクの失敗時に自動的に再起動することをお勧めします。 構造化ストリーミングについては、本番運用に関する考慮事項を参照してください。

スキーマ進化は、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ことが予想される場合に便利です。 クエリーがデータソースでクエリーするフィールドをすでに明示的に指定している場合、追加されたフィールドはスキーマの進化に関係なく無視されます。

avroSchemaEvolutionMode オプションを使用して、スキーマ進化を有効にします。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

挙動

none

デフォルト。 スキーマの進化を無視し、ジョブを続行します。

restart

スキーマ進化の検出時に UnknownFieldException をスローします。 ジョブの再起動が必要です。

この構成は、ストリーミング ジョブ間で変更し、同じチェックポイントを再利用できます。 スキーマ進化を無効にすると、列が削除される可能性があります。

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、スキーマが下位互換性のない方法で進化した場合に、失敗するか null レコードを出力するかを決定できます。 デフォルト設定では、互換性のないスキーマの変更を監視すると、 from_avro 失敗します。

mode オプションを使用して、解析モードを指定します。次の表に、解析モードのオプションを示します。

オプション

挙動

FAILFAST

デフォルト。 解析エラーは、MALFORMED_AVRO_MESSAGEerrorClassを持つSparkExceptionをスローします。

PERMISSIVE

構文解析エラーは無視され、ヌル・レコードが出力されます。

スキーマ進化を有効にすると、 FAILFAST はレコードが破損している場合にのみ例外をスローします。

スキーマ進化の使用例と解析モードの設定

次の例は、Confluent Schema Registry でスキーマ進化を有効にし FAILFAST 解析モードを指定する方法を示しています。

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"))
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")
  )
)