我们需要序列化一些数据以放入solr和hadoop。
我正在评估相同的序列化工具。
我名单上的前两个是Gson和Avro。
据我所知，Avro=GsonJSON
如果这是正确的，我不明白为什么Avro在Solr/Hadoop中如此受欢迎？
我在网上搜索了很多，但找不到一个正确的答案。
到处都说Avro很好，因为它存储了模式。我的问题是如何处理该模式？
对于Hadoop中非常大的对象来说，这可能很好，在Hadoop中，单个对象存储在多个文件块中，这样将模式与每个部分一起存储有助于更好地分析它。但即使在这种情况下，模式也可以单独存储，仅仅引用它就足以描述模式。我看不出为什么模式应该是每个部分的一部分。
如果有人能给我一些好的用例，Avro是如何帮助他们的，而Gson/Jackson不足以达到这个目的，那将是非常有帮助的。
此外，Avro网站的官方留档说我们需要给Avro一个模式来帮助它生成模式数据。我的问题是，如果模式是输入的，并且随着数据的JSON表示一起发送到输出，那么Avro实现了什么额外的功能？我可以通过使用JSON序列化对象，添加我的输入模式并将其命名为Avro而不自己做到这一点吗？
我真的很困惑！
假设您最初为员工类设计了一个这样的模式
{
{"name": "emp_name", "type":"string"},
{"name":"dob", "type":"string"},
{"name":"age", "type":"int"}
}
后来你意识到年龄是多余的，并将其从模式中删除。
{
{"name": "emp_name", "type":"string"},
{"name":"dob", "type":"string"}
}
在此模式更改之前序列化和存储的记录呢？您将如何读回这些记录？
这就是为什么avro读取器/反序列化器要求读取器和写入器模式。它在内部进行模式解析，即。它试图使旧模式适应新模式。
转到此链接-http://avro.apache.org/docs/1.7.2/api/java/org/apache/avro/io/parsing/doc-files/parsing.html-部分“使用动作符号的分辨率”
在这种情况下，它确实跳过了动作，即它忽略了读取“age”。它还可以处理字段从int更改为long等情况。
这是一篇解释模式演变的非常好的文章-http://martin.kleppmann.com/2012/12/05/schema-evolution-in-avro-protocol-buffers-thrift.html
对于单个文件中的多条记录，Schema仅存储一次。
大小，以很少的字节编码。
我认为模式进化解决的关键问题之一没有被明确提及，这就是为什么它会给新来者带来如此多的困惑。
一个例子将澄清这一点：
假设一家银行存储其所有交易的审计日志。这些日志具有特定的格式，需要存储至少10年。保存这些日志的系统应该适应这10年中不断发展的格式，这也是非常可取的。
此类条目的模式不会经常更改，假设平均每年两次，但每个模式都会有大量条目。如果我们不跟踪模式，那么一段时间后，我们将需要查阅非常旧的代码来找出当时存在的字段，并继续添加if-else语句来处理不同的格式。通过所有这些格式的模式存储，我们可以使用模式演变功能自动将一种格式转换为另一种格式（如果您为Avro提供较旧和较新的模式，Avro会自动执行此操作）。这节省了应用程序在其代码中添加大量if-else语句，也使其更易于管理，因为我们通过查看存储的模式集很容易知道我们拥有的所有格式（模式通常存储在单独的存储中，数据只有一个指向其模式的ID）。
模式演进的另一个优点是，新格式的生产者可以安全地生产具有新模式的对象，而无需等待下游消费者首先更改。下游消费者可以内置逻辑来简单地暂停处理，除非他们对与新格式关联的新模式具有可见性。这种自动暂停非常有助于保持系统在线并适应新模式的处理逻辑。
总之，模式演进通过使用自动格式转换帮助新客户端读取旧格式，也帮助旧客户端以优雅的方式暂停处理，直到它们能够理解新格式。
从模式进化的角度来看，拥有模式是好的，但不是JSON做不到的事情。JSON和Avro完全一样。
Avro的主要特点是它是二进制的。所以让我们说，你的记录是：
{
{"name": "emp_name", "type":"string"},
{"name":"dob", "type":"string"},
{"name":"age", "type":"int"}
}
Avro将上述数据部分存储为：“John”
在这里
所以没有模式，上面的数据是无用的！没有模式，你不知道这些值意味着什么。
这就是二进制和非二进制格式的区别。二进制格式只有值，这使得它们非常紧凑。像JSON和XML这样的文本格式有一遍又一遍重复的模式，因此它们比二进制文件大2倍以上。
另一个比较：二进制的整数只需要32位，但JSON形式的整数是以文本格式存储的数字。
{"some_number": 43847384}
上面JSON中的数字存储不像JSON中的32位整数，它都是文本，占用8个字符*8位=64位，甚至更多，具体取决于数字的长度。
所以JSON中的模式不是可选的。如果你必须使用二进制格式，这是必须的。
