前言

前面幾篇講過，元數(shù)據(jù)側重于配置【驅動】編程的思想觅丰，通過建立統(tǒng)一的數(shù)據(jù)資產(chǎn)翰铡，進一步【驅動】企業(yè)數(shù)字化升級钝域。

但數(shù)字化升級是個戰(zhàn)略性的目標，短期內效果并不明顯锭魔，甚至很多時候容易引發(fā)空談數(shù)字化轉型例证，而達不到實際意義的用途∶耘酰或者落地之后织咧，產(chǎn)生的效果比預期會低很多胀葱。

而數(shù)據(jù)質量往往卻是企業(yè)當下需要解決的問題。比元數(shù)據(jù)管理來得更迫切一些笙蒙。并且元數(shù)據(jù)是需要數(shù)據(jù)質量來引導的抵屿。

1. 元數(shù)據(jù)與數(shù)據(jù)質量的關系是什么呢？

元數(shù)據(jù)是藍圖捅位，就像建筑商建房子一樣轧葛，先要有整體規(guī)劃及配套的周邊設施。而數(shù)據(jù)質量則是執(zhí)行過程中的技術標準艇搀，讓你了解整個藍圖過程中需要面對的所有問題尿扯，以及追蹤反映相應的實際情況。
所以兩者是相輔相成的關系焰雕，彼此相互促進與發(fā)展衷笋。

但是，我們可能沒有建立元數(shù)據(jù)系統(tǒng)淀散，這并不代表沒有元數(shù)據(jù)右莱，只是元數(shù)據(jù)沒有規(guī)整成好的藍圖。就像程序員寫垃圾代碼一樣可以完成功能而已档插，只是對后期帶來了很多潛在的隱患慢蜓。并且元數(shù)據(jù)系統(tǒng)的從視野上來看非常廣泛，可能需要增量構建郭膛，這樣數(shù)據(jù)質量的必要性在這種形式下是很容易提上議程的晨抡。

對于已有的系統(tǒng)，數(shù)據(jù)質量相關的問題往往更迫切则剃，這時候可能顧不上數(shù)字化藍圖耘柱。在這種形式下，數(shù)據(jù)質量系統(tǒng)的建的重要度極高棍现，在國情下更是如此调煎。隨著數(shù)據(jù)質量的建立，后期往往會促發(fā)元數(shù)據(jù)的管理己肮。畢竟數(shù)據(jù)質量的定義本身就是一種元數(shù)據(jù)【元數(shù)據(jù)的實體】士袄，而高級數(shù)據(jù)質量的建立需要于推斷功能【元數(shù)據(jù)的關系】，這個就是元數(shù)據(jù)體系的強大之處了谎僻。

所以娄柳，在筆者看來，數(shù)據(jù)質量能解決當下問題更加容易落地生根艘绍。而隨著元數(shù)據(jù)體系的建立赤拒，數(shù)據(jù)質量可以依據(jù)元數(shù)據(jù)更加強大。而元數(shù)據(jù)可以應運而生，轉動它的輪軸挎挖，【逐步驅動】一個新的數(shù)字化世界的到來这敬。

2. 數(shù)據(jù)質量的發(fā)展現(xiàn)狀

當前企業(yè)的現(xiàn)狀是，數(shù)據(jù)質量規(guī)則或多或少總會有的肋乍。畢竟數(shù)據(jù)質量問題直接引發(fā)的就是系統(tǒng)的故障感知度低鹅颊，進而運維成本極高，對業(yè)務的穩(wěn)定性帶來極大的挑戰(zhàn)性墓造。

在這種形式下，數(shù)據(jù)質量是在有限的形式下展開的锚烦。所以觅闽，這種情況下的數(shù)據(jù)質量往往是【事后】數(shù)據(jù)質量。就像上車了再買票一樣涮俄，它沒有花過多精力在前期的準備事項中蛉拙，而是等事情發(fā)生了，然后去【亡羊補牢】彻亲。畢竟有句古話說的好孕锄，相同的錯誤我允許你犯一遍，犯第二遍苞尝，但是不允許你犯第三遍畸肆。所以這種低成本，好附加的方式得到了普遍應用宙址。

雖然這樣【事后檢驗】有效地【顯示】了數(shù)據(jù)質量問題轴脐，進而反饋調節(jié)，但是它并沒有從根源上解決【數(shù)據(jù)質量】問題抡砂。系統(tǒng)的復雜度反而隨著【數(shù)據(jù)質量】的建立大咱，而越發(fā)凸顯，畢竟縫縫補補的日子是無法持久的注益，總會有人跳出來的碴巾。

這時候就有出現(xiàn)了【數(shù)據(jù)標準】的概念，覺得數(shù)據(jù)應該是從【源頭】就要抓起丑搔。然而它們所謂的【數(shù)據(jù)標準】是建立在流程之上厦瓢，通過人力來解決并規(guī)范化，對于老的系統(tǒng)要逐步修正低匙，對于新的系統(tǒng)要強行審批旷痕。

而【數(shù)據(jù)標準】往往與【事后數(shù)據(jù)質量】結合得很緊密，如果【數(shù)據(jù)質量指標】提高了顽冶，說明【數(shù)據(jù)標準】得到了效果欺抗。但是這往往是只是改善了情況，還是有大量數(shù)據(jù)質量問題并不能得到解決强重，為什么呢绞呈？因為從源頭到結局贸人，涉及到了太多環(huán)節(jié)跟因素，完全靠人跟流程制度的力量是不太可取的佃声，但是對于企業(yè)高管來說卻很喜歡艺智，因為這樣會顯示他的價值，這里就不過多展開討論了圾亏。

3. 數(shù)據(jù)質量的表現(xiàn)形式

前面講過十拣，【事后數(shù)據(jù)質量】得到了很大的普及，所以ebay開源了apache griffin志鹃∝参剩基本思想就是抽象成一層dsl，然后生成sql去檢驗規(guī)則曹铃，方便使用缰趋。當然還有一些大企業(yè)會把【事后規(guī)則】滲透到etl任務中，可以進行阻塞作業(yè)的執(zhí)行陕见，但是這個架構對于etl性能有很大影響秘血，很難擴展開來。進一步评甜，也有系統(tǒng)將數(shù)據(jù)規(guī)則組成多級規(guī)則灰粮，一旦發(fā)生錯誤，進一步診斷子規(guī)則蜕着，并收集規(guī)則相應的信息谋竖，便于提升系統(tǒng)的故障感知度。

當然承匣，【事后數(shù)據(jù)質量】并沒有從根源上解決問題蓖乘，只是【窮舉檢查后顯現(xiàn)】問題。所以企業(yè)迫切需要從【事后數(shù)據(jù)質量】轉移到【事前數(shù)據(jù)質量】的思維轉變韧骗。但是【事前數(shù)據(jù)質量】由于具有非常大的開放性嘉抒，非常需要啟發(fā)性思維，大部分都在探索期袍暴，不太容易有太多成功案例的【借鑒】些侍。所以【事前數(shù)據(jù)質量】還屬于新生階段，大部分企業(yè)提供出了另外一個子系統(tǒng)概念【數(shù)據(jù)探查】政模，既然無法直接【感知】問題岗宣，那么我就提供相應的數(shù)據(jù)工具，讓其快速了解數(shù)據(jù)淋样，便于快速【分析及診斷】問題耗式。對于數(shù)據(jù)源頭有了一定的【探查】之后，再對數(shù)據(jù)進行相應的進行【約束】與【診斷】，促進【事前數(shù)據(jù)質量】體系的建立與完善刊咳。

本文不太過多關注【事后數(shù)據(jù)質量】彪见，本人覺得真正的【數(shù)據(jù)質量】必定是在源頭控制，進行【約束】娱挨，然后擴展到后期的【故障感知】余指，【事前數(shù)據(jù)質量】才是數(shù)據(jù)質量體系的一盤大期。

常見的事前數(shù)據(jù)質量又分為幾部分：提供數(shù)據(jù)源頭數(shù)據(jù)有效性檢測的【數(shù)據(jù)模式】系統(tǒng)跷坝， 提供數(shù)據(jù)統(tǒng)計的【數(shù)據(jù)探查】系統(tǒng)酵镜，基于統(tǒng)計信息與實體關系進行啟發(fā)式推斷的【數(shù)據(jù)防火墻】系統(tǒng)。

那么現(xiàn)在可以進入本文的正文：【數(shù)據(jù)模式】系統(tǒng)

4. avro構建強大的數(shù)據(jù)模式系統(tǒng)

由于大部分對于avro數(shù)據(jù)模式了解得不多柴钻，先給予一定的介紹

a. avro 歷史背景

對于數(shù)據(jù)模式來說笋婿，歷史上有兩個霸主，一個是google的protobuf顿颅，一個是facebook的thrift，它們主要用于rpc數(shù)據(jù)通訊的數(shù)據(jù)模式足丢，當然跨語言是必備條件粱腻。

但是它們有一個強大的致命弱點，不支持動態(tài)模式斩跌。也就是說它們的模式必須要生成代碼變成類或者語言的數(shù)據(jù)結構绍些。對于每一個數(shù)據(jù)模式都得生成相應的代碼進行規(guī)則約束。當然最新版本的protobuf提供了DynamicMessage動態(tài)反射耀鸦，但是avro已經(jīng)強大到不再是那個少年柬批。

這個時候hadoop之父迫切需要一種數(shù)據(jù)格式，能夠支持數(shù)據(jù)的【物理約束】與【邏輯約束】袖订，支持數(shù)據(jù)的【模式演化】氮帐，支持數(shù)據(jù)的【切塊壓縮】存儲。這個時候avro橫空出世洛姑，一統(tǒng)了大數(shù)據(jù)江湖上沐。

這個avro厲害到了什么程度了。
hive非常早期的版本就已經(jīng)核心支持avro楞艾，支持模式推斷高級功能参咙。
linkedin一直以avro作為核心，建立的kafka schema-registry, kafka connect, kafka sql更是以avro為基礎硫眯。由于hadoop之父不給力蕴侧，老是要搞兼容，不愿意引進其它庫的avro新特性两入，linkedin甚至自立門戶搞了一套閹割版本的Pegasus净宵，然后基于這玩意，搞了一套rest.li元數(shù)據(jù)驅動的微服務架構，以及datahub的元數(shù)據(jù)管理系統(tǒng)塘娶。
flink也是最優(yōu)先支持avro數(shù)據(jù)格式归斤。

什么，你說apache parquet, apache arrow文件格式更厲害刁岸？
avro有四種數(shù)據(jù)形式[json, datum, container, trevni]脏里。trevni就是parquet的前身，面向列存儲虹曙，也繼承了trevni的使命迫横。
如果說avro datum面向于通訊及實時, avro container面向于數(shù)據(jù)交換存儲, avro trevni就是面向于數(shù)據(jù)計算。

前面說過hadoop之父很墨跡酝碳，畢竟兼容性對他來說是頭等大事矾踱，所以apache parquet成功繼承avro trevni，致力于作為數(shù)據(jù)計算的標準存儲格式疏哗，目前也被apache flink/apache spark作為批量計算的核心格式呛讲，當然實時計算被avro牢牢把控。

既然apache parquet想做為標準數(shù)據(jù)計算格式返奉，所以它要無縫對接轉換所有的數(shù)據(jù)格式贝搁。前期它就這么干了，但是隨著google新一代的flatbuffer內存數(shù)據(jù)格式的出現(xiàn)芽偏，它的性能指票顯然不是特別友好的雷逆。

所以批量計算存儲分切成了兩塊，apache parquet與apache arrow污尉。apache parquet是物理存儲形式膀哲，apache arrow是基于flatbuffer的內存數(shù)據(jù)格式，無縫迅猛對接各大平臺的數(shù)據(jù)格式轉換器被碗。

為什么它快呢某宪？如果你讀過flatbuffer的文檔就會知道，它的解序列化開銷為零蛮放，當然apache arrow不是本文的重點缩抡，這里不作過多介紹。

所以包颁，目前大數(shù)據(jù)的生態(tài)瞻想，基本上就是: apache avro(實時，數(shù)據(jù)交換) + apache parquet(批量) + apache arrow(內存）的三大格局娩嚼。當然還有我沒有提到的ORC存儲蘑险，本質上是apache parquet的可選方案，發(fā)展似乎更加緩慢一點岳悟。

b. avro底層原理佃迄。

大部分人對json數(shù)據(jù)格式都有較強的認知泼差。但是json的缺點是很明顯的，它的schema每條記錄都要帶上呵俏，數(shù)據(jù)是文本形式很浪費空間堆缘，無法強制約束數(shù)據(jù)格式，數(shù)據(jù)類型擴展性較弱普碎，對于數(shù)據(jù)模式檢驗有一定的json schema標準支持吼肥。
那么，如果我們把schema單獨提出來麻车，對數(shù)據(jù)類型進行高效編碼缀皱，那么每條數(shù)據(jù)是不是空間最省性能最高呢？居然還真是动猬。啤斗。。
參考鏈接: https://github.com/mtth/avsc/wiki/Benchmarks

圖片.png

編碼規(guī)則在官方文檔里面寫得很清晰了:
https://avro.apache.org/docs/1.9.2/spec.html
我這里簡單介紹一下:
對于int, long其實本質上無差別赁咙，都是采用通用的zigzag變長編碼钮莲，比如如果你的整數(shù)數(shù)值范圍比較少，可能一個字節(jié)就夠存了彼水，不用搞int的四個字節(jié)的標準臂痕。
對于bytes跟string其實無差別，就是長度+內容猿涨。
null就是用單個零字節(jié)表示。
enum轉換成數(shù)字編碼姆怪。
record就是按記錄模式名稱依次按字段名稱順序一個個寫入值（無模式）
map, array就是先寫記錄條數(shù)叛赚，然后再寫內容。當然這里面有個高級用法稽揭“掣剑可以拆分成多個記錄條數(shù)+內容(即子map/array)，最后以null零字節(jié)表示結束溪掀。map的key由于是動態(tài)的事镣，要同時寫入key(有模式)/value，適用于無法提前感知的擴展字段場景揪胃。

union就是最強大的類型了璃哟，就是表示可以有多個字段類型。
這里面有一點要注意的是喊递，union不允許相同類型出現(xiàn)随闪，除非是命名類型。命名類型有三種骚勘，record, enum, fixed铐伴。簡單來說撮奏，recordname_b是允許在union里面出現(xiàn)的。不同名稱的record認為是不同的類型当宴。

union是最強大的特性畜吊，也是各個庫實現(xiàn)不一致的地方。
union編碼邏輯非常簡單户矢，先寫入類型的索引值玲献，然后寫入具體編碼值即可。
對于hadoop早期版本來說逗嫡，每個union類型進行json編碼的時候都要加入類型前綴青自。默認每個字段類型是不能為null的，所以可以通過union類型來解決type: ["null", "string"]驱证。如果在java版本里面你必須要寫"field": {"string", "aaa"}或者"field": null延窜。注意"null"類型帶有引號, null值沒有引號。
但是后來大部分其它語言的庫抹锄，包括linkedin的改造版本逆瑞，覺得null是太常見且必要的特性了，如果有個null,就得套一層數(shù)據(jù)格式就顯得太麻煩了伙单。所以對于一個值如果是null或者本身兩個元素的時候做了優(yōu)化获高，可以直接寫{"field":null}, {"field": "aaa"}了。吻育。念秧。
一些java第三方庫也做了增強。

當然布疼，就算加了null類型支持摊趾，僅僅是說這個值可以為null， 也是一定要填的游两。如果想讓這個值可以missing砾层，那么就得給default值，當然這里關聯(lián)到模式演化的內容贱案，將于后續(xù)介紹肛炮。

c. avro的文件格式類型及應用場景。

上一節(jié)講了宝踪，我把schema提取出來侨糟，接著對單條記錄整個數(shù)據(jù)結構按照schema進行編碼，然后就得到了datum瘩燥，有著強大的效率與size縮減效果粟害。
所以，我們認識了第一種數(shù)據(jù)格式datum（在avro-tools里面叫做frag颤芬，有些庫叫做avro_value)悲幅。

這種格式不帶模式套鹅，并且是單條記錄。適用于數(shù)據(jù)量小的單條消息處理場景汰具。比如rpc通訊卓鹿，實時計算。對于rpc通訊留荔，模式是雙方約定好了的吟孙，對于實時計算模式需要單獨關聯(lián)，kafka schema-registry是專門管理這個的聚蝶。對于kafka avro的每條消息杰妓，前面有五個字節(jié)表示對應于kafka schema-registry管理的schema id，然后本地有個緩存碘勉，每個schema id只需要去同步獲取一次即可巷挥。

當然對于大批量的數(shù)據(jù)格式，顯然是需要壓縮分塊的验靡，所以avro container文件格式出現(xiàn)了倍宾。
它的算法很簡單:
單個header(avro文件標識+壓縮編碼+數(shù)據(jù)模式) + [多個block(avro_datum記錄數(shù)+ avro_datum壓縮內容)]，每個header及block后面接16位隨機生成sync mark用于hadoop分割文件使用胜嗓。hive中對應的avro格式就是avro container格式高职，它是包含了avro_datum頭部的，可以直接下載下來使用avro-tools工具查看辞州。

對于列式存儲avro trevni怔锌，主要由apache parquet接任了，后續(xù)可能會有專門的篇章進行介紹变过。

d. avro的類型約束以及idl模式

avro的類型分為物理類型产禾，邏輯類型及引用類型。

先看物理類型約束:

1. 默認對于每個字段來說是必填不可空的牵啦，如果需要為空，需要走union ["null", type]妄痪，如果需要可缺失, 則可加上default值哈雏。
   所以這里嚴格定義了類型的可空性與可缺失性。

2. 對于字典值衫生，有enum類型裳瘪，對于每個enum類型會生成相應的整數(shù)值。這對于數(shù)據(jù)質量也是重大的好功能罪针。

3. 對于一個數(shù)據(jù)可能存大多種格式的情況彭羹，比如同一個接口可能返回有不同的類型及值，那么就有union大法了泪酱，定義不同的named record就可以解決了派殷。

4. 對于擴展字段來說还最，由于模式不可知，可采用map結構來處理毡惜。其它已知模式字段必需嚴格按照記錄類型處理拓轻。

邏輯類型約束:

邏輯類型約束是強大的功能，比如Decimal, uuid, date, time相關的類型经伙，都是建立在已有的物理類型上扶叉，建立自己的邏輯規(guī)則。通過添加logicalType屬生來分別帕膜。
對于每個企業(yè)都可以自己自己的邏輯類型枣氧，定制自己的業(yè)務值約束。而標準庫僅提供了上面的通用邏輯類型垮刹。

引用類型約束 ：

對于每一個命名類型达吞，尤其是record類型，是可以引用的危纫。
也就是說宗挥，不可能存在兩個相同名稱的record類型，如果另一個地方有相同的record類型名稱种蝶，它就不需要再定義具體結構契耿，直接引用過來復用了結構定義。
如果確實想要相同名稱的record類型螃征，那么可以添加namespace進行區(qū)分搪桂。
在相同的namespace下面不能有相同的命名類型出現(xiàn)。如果需要復用盯滚，可以定義共用的namespace進行引用踢械，或者直接引用其它人的namespace。如果不需要復用魄藕，可以定義各自namespace下的數(shù)據(jù)結構内列。默認不定義都在相同的namespace下面。

IDL文件

avro雖然引入了引用數(shù)據(jù)類型背率，對于需要復用的類型可以引用過來话瞧，但是隨著模式的復雜度，json表達形式維護性會比較困難寝姿。這時候可以引用idl文件交排，進行拆解，idl接口格式可以進行import以及獨立的類型定義饵筑。然后組合轉換生成單個avsc模式文件

e. avro的模式演化

前面雖然講過json的很多壞話埃篓，但是json有很強的靈活性，比如值缺失根资，新增不影響代碼的正常運行架专。avro不止這些基礎功能同窘，它更加強大。

1. 字段增刪改
   avro可以用老的代碼讀新的數(shù)據(jù)胶征，也可以用新的代碼讀老的數(shù)據(jù)塞椎。
   它是怎么做到的呢？
   如果一個模式字段新增睛低，那么它必需要默認值案狠，如果一個字段刪除當然不受影響。
   比如老的模式字段有a, b, c, 新的模式字段有a, c, d钱雷。
   當新的模式依次按字段讀取老的數(shù)據(jù)的時候骂铁，發(fā)現(xiàn)沒有d，但是它有默府值它所以是沒有問題的罩抗。
   當老的模式讀取新的數(shù)據(jù)的時候拉庵，發(fā)現(xiàn)沒有b淡溯，如果對于老的模式有b的默認值也是可以運行正常的铲掐。

所以理澎，老的模式如果想兼容新數(shù)據(jù)温亲，它就必須對它以后想要刪除數(shù)據(jù)提供默認值。新的模式想兼容老數(shù)據(jù)乒验，那么它就必須對新增的字段提供默認值挥转。
當然各種兼容模式可以按需選擇兜看。

2. 值的類型轉換
   除了字段的增刪骨坑，另一個問題就是字段的可空性問題了撼嗓。比如同樣的字段，在有的系統(tǒng)可以為空欢唾，有的系統(tǒng)不為空且警。我們可以分別讀取成各自特寫的外部表，也可以通過通用的行為讀取成通用的外部表礁遣。
   當然空值是跟union的模式演化有關系的斑芜。
   關于模式演化的規(guī)則有興趣可以參見問題進一步了解。

   
   
   圖片.png

3. 模式演化的過程祟霍。
   對于一個已經(jīng)序列化過的數(shù)據(jù)杏头，新的模式是無非讀取的。所以模式演化分為兩部分浅碾，這也是avro重度依賴于schema的一個原因。首先reader通過writer schema(寫入時schema)讀取值出來续语，然后通過reader schema進行resolve轉換成新的數(shù)據(jù)格式垂谢。

f: avro的編碼格式及應用

前面所說的avro datum格式是binary編碼的，當然它也有對應的json編碼疮茄。json編碼一般用于轉換json數(shù)據(jù)至binary編碼滥朱，或者binary編碼轉換成外部json數(shù)據(jù)根暑。本質是就是根據(jù)schema進行遍歷，讀取或者輸出對應的json或者binary格式.
當然avro也可以把文本文件的每一行當作是bytes模式徙邻，進行切塊壓縮成container文件排嫌，便于可切割壓縮形式的文件處理格式。

那么我們來看一下avro-tools給我們提供的功能
源碼路徑:
https://github.com/apache/avro/tree/master/lang/java/tools

larry@larrys-MBP-2 ~ % avro-tools
Version 1.9.1
 of Apache Avro
Copyright 2010-2015 The Apache Software Foundation

This product includes software developed at
The Apache Software Foundation (https://www.apache.org/).
----------------
Available tools:
    canonical  Converts an Avro Schema to its canonical form
          cat  Extracts samples from files
      compile  Generates Java code for the given schema.
       concat  Concatenates avro files without re-compressing.
  fingerprint  Returns the fingerprint for the schemas.
   fragtojson  Renders a binary-encoded Avro datum as JSON.
     fromjson  Reads JSON records and writes an Avro data file.
     fromtext  Imports a text file into an avro data file.
      getmeta  Prints out the metadata of an Avro data file.
    getschema  Prints out schema of an Avro data file.
          idl  Generates a JSON schema from an Avro IDL file
 idl2schemata  Extract JSON schemata of the types from an Avro IDL file
       induce  Induce schema/protocol from Java class/interface via reflection.
   jsontofrag  Renders a JSON-encoded Avro datum as binary.
       random  Creates a file with randomly generated instances of a schema.
      recodec  Alters the codec of a data file.
       repair  Recovers data from a corrupt Avro Data file
  rpcprotocol  Output the protocol of a RPC service
   rpcreceive  Opens an RPC Server and listens for one message.
      rpcsend  Sends a single RPC message.
       tether  Run a tethered mapreduce job.
       tojson  Dumps an Avro data file as JSON, record per line or pretty.
       totext  Converts an Avro data file to a text file.
     totrevni  Converts an Avro data file to a Trevni file.
  trevni_meta  Dumps a Trevni file's metadata as JSON.
trevni_random  Create a Trevni file filled with random instances of a schema.
trevni_tojson  Dumps a Trevni file as JSON.

1. 通過json與avro datum格式互轉

avro-tools jsontofrag --schema schema/XXX.avsc sample/XXX.json
cat xxx.avro | avro-tools fragtojson  --schema-file schema/XXX.avsc -

2. 通過json與avro container格式互轉

avro-tools fromjson --codec snappy --schema-file schema/XXX.avsc

avro-tools tojson xxx.avro
avro-tools getschema xxx.avro

3. 編碼text文件轉換成avro壓縮格式

avro-tools fromtext ...
avro-tools totext ...

4. avro idl生成avsc模式文件

avro-tools idl ...

g. avro的各個語言版本

官方版本清單:
https://github.com/apache/avro/tree/master/lang

圖片.png

rust版(本人參照改造增強缰犁，可交流):
https://github.com/flavray/avro-rs

java增強版(本人參照改造增強淳地，可交流):
https://github.com/Celos/avro-json-decoder
https://github.com/zolyfarkas/avro

js增強版:
https://github.com/flavray/avro-rs/

c擴展版(本人參照改造增強，可交流):
https://github.com/grisha/json2avro

avro手機版(本人參照改造增強帅容，可交流):
https://github.com/flurry/avro-mobile/