如何在 Spark 中读取压缩的 avro 文件（.gz）？答案

【问题标题】：How to read compressed avro files (.gz) in spark?如何在 Spark 中读取压缩的 avro 文件（.gz）？
【发布时间】：2021-01-26 05:47:35
【问题描述】：

我正在尝试使用 spark 读取 gzip（.gz 扩展名）avro 文件，但出现以下错误。我从文档中看到 spark 应该能够读取 .gz 文件而无需任何额外的转换（可能适用于 csv/文本文件）。

我尝试在命令下面运行，但它给出了错误：

df= spark.read.format("com.databricks.spark.avro").load("/user/data/test1.avro.gz")

错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "/usr/hdp/2.6.1.0-129/spark2/python/pyspark/sql/readwriter.py", line 149, in load
    return self._df(self._jreader.load(path))
  File "/usr/hdp/2.6.1.0-129/spark2/python/lib/py4j-0.10.4-src.zip/py4j/java_gateway.py", line 1133, in __call__
  File "/usr/hdp/2.6.1.0-129/spark2/python/pyspark/sql/utils.py", line 63, in deco
    return f(*a, **kw)
  File "/usr/hdp/2.6.1.0-129/spark2/python/lib/py4j-0.10.4-src.zip/py4j/protocol.py", line 319, in get_return_value
py4j.protocol.Py4JJavaError: An error occurred while calling o72.load.
: java.io.IOException: Not an Avro data file
        at org.apache.avro.file.DataFileReader.openReader(DataFileReader.java:63)
        at com.databricks.spark.avro.DefaultSource$$anonfun$5.apply(DefaultSource.scala:80)
        at com.databricks.spark.avro.DefaultSource$$anonfun$5.apply(DefaultSource.scala:77)
        at scala.Option.getOrElse(Option.scala:121)
        at com.databricks.spark.avro.DefaultSource.inferSchema(DefaultSource.scala:77)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$7.apply(DataSource.scala:184)
        at org.apache.spark.sql.execution.datasources.DataSource$$anonfun$7.apply(DataSource.scala:184)
        at scala.Option.orElse(Option.scala:289)
        at org.apache.spark.sql.execution.datasources.DataSource.org$apache$spark$sql$execution$datasources$DataSource$$getOrInferFileFormatSchema(DataSource.scala:183)
        at org.apache.spark.sql.execution.datasources.DataSource.resolveRelation(DataSource.scala:387)
        at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:152)
        at org.apache.spark.sql.DataFrameReader.load(DataFrameReader.scala:135)
        at sun.reflect.NativeMethodAccessorImpl.invoke0(Native Method)
        at sun.reflect.NativeMethodAccessorImpl.invoke(NativeMethodAccessorImpl.java:62)
        at sun.reflect.DelegatingMethodAccessorImpl.invoke(DelegatingMethodAccessorImpl.java:43)
        at java.lang.reflect.Method.invoke(Method.java:498)
        at py4j.reflection.MethodInvoker.invoke(MethodInvoker.java:244)
        at py4j.reflection.ReflectionEngine.invoke(ReflectionEngine.java:357)
        at py4j.Gateway.invoke(Gateway.java:280)
        at py4j.commands.AbstractCommand.invokeMethod(AbstractCommand.java:132)
        at py4j.commands.CallCommand.execute(CallCommand.java:79)
        at py4j.GatewayConnection.run(GatewayConnection.java:214)
        at java.lang.Thread.run(Thread.java:748)

【问题讨论】：

标签： python apache-spark pyspark gzip

【解决方案1】：

avro 文件中的压缩通过单独压缩单个数据块来工作，avro 文件本身没有被压缩 (docs)。 ORC 和 Parquet 压缩的工作方式类似，这就是这些格式可以拆分的方式。

换句话说，您不能像使用纯文本文件那样在未压缩的 .avro 文件上运行 gzip 并直接读取它。

压缩发生在您编写 avro 文件时，在 spark 中，这由spark.sql.avro.compression.codec SparkConf 设置或编写器上的压缩选项 (docs) 控制。

【讨论】：

您能否在答案中添加指向 spark/avro 文档的相关链接。谢谢！
@smaug 已更新。 Avro 规范的相关部分是它说“对象存储在可以压缩的块中”。