Avro Schema Evolution With GenericData.记录-Mapreduce过程

Question

我有一个mapreduce程序，它从avro数据中读取数据，进行处理并输出avro数据。我有一个avro数据的模式，比如说有4列。我使用GenericData。记录以写入avro数据。

现在，我使用具有5列的模式在这些数据之上创建了一个pig关系。第5列是新的，具有在avsc文件中定义的默认值。根据我的理解，我应该能够使用带有一个额外列的新模式读取旧数据（由4列生成）。相反，我得到一个错误，上面写着-尝试访问不存在的列

我缺少什么

Mapreduce驱动程序代码

Job job = Job.getInstance(getConf());  
job.setJarByClass(DeltaCaptureMRJobDriverWithSameSchema.class);
job.setJobName("CDC");
job.getConfiguration().setBoolean("mapreduce.input.fileinputformat.input.dir.recursive", true);
//This is required to use avro-1.7.6 and above
job.getConfiguration().set("mapreduce.job.user.classpath.first", "true");
FileInputFormat.addInputPaths(job, args[0]);
FileOutputFormat.setOutputPath(job, new Path(args[1]));
job.setInputFormatClass(AvroKeyInputFormat.class);
job.setMapperClass(DeltaCaptureMapperMultiPaths.class);
Schema schema = new Schema.Parser().parse(new File(args[2]));
AvroJob.setInputKeySchema(job, schema);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(AvroValue.class);
AvroJob.setMapOutputValueSchema(job, schema);
job.setOutputFormatClass(AvroKeyOutputFormat.class);
job.setReducerClass(DeltaCaptureReducerMultiPaths.class);
AvroJob.setOutputKeySchema(job, schema);
job.setOutputKeyClass(AvroKey.class);
return (job.waitForCompletion(true) ? 0 : 1);

映射器代码

public class DeltaCaptureMapperMultiPaths extends Mapper<AvroKey<GenericData.Record>, NullWritable, Text , AvroValue<GenericData.Record>> {
    private static final Logger LOG = Logger.getLogger(DeltaCaptureMapperMultiPaths.class);
    @Override
    public void map(AvroKey<GenericData.Record> key, NullWritable value, Context context) throws IOException, InterruptedException {
        try {
            System.out.println("Specific Record - " + key);
            System.out.println("Datum :: " + key.datum());
            System.out.println("Schema :: " + key.datum().getSchema());
            AvroValue<GenericData.Record> outValue = new AvroValue<GenericData.Record>(key.datum());
            System.out.println("Generic Record (out) - " + key.datum());
            context.write(new Text(key.datum().get("id") +""), outValue);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

还原器代码

public class DeltaCaptureReducerMultiPaths extends Reducer<Text, AvroValue<GenericData.Record>, AvroKey<GenericData.Record>, NullWritable> {
    @Override
    public void reduce(Text  key, Iterable<AvroValue<GenericData.Record>> values, Context context) throws IOException, InterruptedException {
        for(AvroValue<GenericData.Record> value : values) {
            AvroKey<GenericData.Record> outKey = new AvroKey<GenericData.Record>(value.datum());
            context.write(outKey, NullWritable.get());
        }
    }
}

比方说MR输出到/etl/out。现在，下面的pig脚本失败了，出现了我在开头描述的错误。

a= LOAD '/etl/out' USING org.apache.pig.builtin.AvroStorage('hdfs:///etl/test.avsc')
b = FOREACH a GENERATE $0,$1,$2,$3,$4;

hdfs:///etl/test.avsc其中有5个字段（第5个是新字段）。

Answer 1

正如所怀疑的那样，问题实际上是AvroStorage的使用方式。用法为：a=LOAD'/etl/out'USING org.apache.pig.builtin.AvroStorage（'test'，'-schemafilefile:///etl/test.avsc'），假设test.avsc在本地文件系统中。将avsc保存在hdfs中也应该有效，但我没有抽出时间进行测试。我不知道为什么没有关于这些的清晰文档！！！！