Apache Avro# 1.8.2 Specification
3数据序列化(DataSerialization)
??Avro数据总是用它的schema来序列化。存储Avro数据的文件应该总是在同一文件中包含数据对应的schema。基于Avro的RPC系统必须保证远端接收者有一份写入数据时所用的schema。
由于写入数据时所用的schema在读取时总是可以获取的，Avro数据本身不带有类型信息。解析数据时需要schema。
通常，序列化和反序列化都按照深度优先，从左到右的顺序遍历schema，当遇到基本类型时直接序列化。
3.1编码
Avro指定两种序列化编码：二进制(binary)和JSON。大多数应用程序会使用二进制编码，因为它更小更快。但是，对于调试和基于web的应用程序，采用JSON编码有时是比较合适的。
3.2二进制编码
3.2.1基本类型
基本类型的二进制编码如下：
null写入0字节
boolean写入1字节，其值为0（false）或1（true）
int和long写入时使用变长的zig-zag编码。例如：
value | hex |
0 | 00 |
-1 | 01 |
1 | 02 |
-2 | 03 |
2 | 04 |
... | |
-64 | 7f |
64 | 80 |
... |
float写入4字节。float被转换成32位整数，使用一种类似于javafloatToIntBits的方法，再以little-endian格式编码。
double写入8字节。double被转换成64位整数，使用的方法类似于java的doubleToLongBits，然后以little-endian格式编码。
bytes被编码成一个long型值后面跟随多个字节的数据。
string被编码成一个long型值后面跟随多个字节的UTF-8编码的字符数据。
例如，3个字符的字符串"foo"将被编码为long值3（编码为十六进制06）跟随UTF-8
编码的fo和o（十六进制字节666f 6f）
3.2.2复合类型
复合类型的二进制编码如下
3.2.2.1Records
record按照声明时的顺序对字段的值进行编码。换句话说，record的编码正是与它的字段的编码是相关联的。字段值按照各自的schema编码。
例如,record的schema如下：
????{
????"type": "record",
????"name": "test",
????"fields" : [
????{"name": "a", "type": "long"},
????{"name": "b", "type": "string"}
????]
????}
这个schema的一个实例，其a字段的值为27（编码为十六进制36），b字段的值为"foo"（编码为十六进制的0666 6f 6f），实例的编码只是这些字段的级联，即十六进制字节序列：
36 06 66 6f 6f
3.2.2.2Enums
枚举用一个int来编码，表示symbol在schema中的位置（位置从0开始）
例如，考虑如下enum
{"type": "enum","name": "Foo", "symbols": ["A","B", "C", "D"] }
这将由一个在0到3之间取值的int值编码，0表示A，3表示D
3.2.2.3Arrays
??数组被编码成一系列的块。每个块包含一个long型计数值，后面跟随计数值个数组项。计数值为0的块指示数组的结束。每一项都按照数组项的schema进行编码。
??如果块的计数是负数，则使用它的绝对值，计数后面紧跟一个long型的块大小（blocksize），指示块的字节数。这个块大小允许快速跳过数据，例如将record投影到它的字段的一个子集时。
例如，数组的schema
{"type": "array","items": "long"}
一个包含3和27的数组可以编码为long值2（编码为十六进制04）紧跟long值3和27（编码为0636），以0结束：
04 06 36 00
块形式的表示法允许读写超过内存缓冲区大小的数组，因为在不需要知道数组的完整长度的情况下就可以写入数组的项。
3.2.2.4Maps
map被编码为一系列的块。每个块包含一个long型计数值，后面跟随计数值个key/value对。一个计数为0的块指示map的结束。每个项按照map值的schema进行编码。
如果块的计数值是负数，则使用它的绝对值，计数值后紧跟一个long型块大小指示块的字节数。这个块大小允许快速跳过数据，例如将record投影到它的字段的一个子集时。
块形式的表示法允许读写超过内存缓冲区大小的map，因为在不需要知道map的完整长度的情况下就可以写入map的项。
3.2.2.5Unions
union被编码为：首先是一个long型值指示union值在其schema中的位置（从0开始计数）。然后根据union中指示位置处的schema编码union的值。
例如，unionschema ??["null","string"] ?将会编码为：
null 编码为0（null在union中的位置）：
??00
字符串“a”编码为1（string在union中的位置，编码为十六进制02），随后是字符串的编码：
??02 02 61
3.2.2.6Fixed
Fixed实例使用schema中声明的字节数进行编码。
3.3.JSON编码
除union外，JSON编码与用于字段默认值的编码相同。
union值被编码为JSON如下：
如果它的类型是null，则它被编码为JSONnull
否则，它被编码为一个包含一个name/value对的JSON对象，name为类型的名称，
value是递归编码的值。对于Avro的命名类型（recordfixed enum）采用用户指定的名称，
对于其他类型采用类型的名称。
例如，unionschema ?["null","string","Foo"],Foo是一个record名，将会被编码为
null 编码为null
字符串"a"编码为{"string":"a"}
一个Foo实例编码为{"Foo":{....}}, {....}指示Foo实例的JSON编码
注意，仍然需要一个schema来正确处理JSON编码的数据。例如，JSON编码不能区分int和long，float和double,records和maps，enums和字符串等。
3.4单一对象编码(Single-objectencoding)
在某些情况下，一个单一Avro序列化的对象需要长期存储。一个常见的例子是将Avrorecords储存在ApacheKafka topic中几周。
当一个schema发生改变后的一段时间内，这种持久化系统将包含使用不同schema编码的记录。因此需要知道编码record使用了哪个schema来支持schema的演进。大多数情况下，schema大到无法包含在消息中，因此儿进制包装格式可以更有效的支持用例。
3.4.1.单一对象编码规范
单一Avro对象编码如下：
一个两字节标记，C301,表明消息是Avro和使用该单一记录（single-record）格式（版本1）
对象schema的8字节little-endianCRC-64-AVRO
使用Avro二进制编码的Avro对象。
使用2字节标记的实现来确定是否是AVRO。这个检查可以帮助避免当消息不是用Avro编码时所做的无效查找----通过指纹(fingerprint)决定schema
Apache Avro# 1.8.2 Specification （Avro 1.8.2规范）二
原文地址：http://www.cnblogs.com/majianguo/p/7725027.html