|
Storm是一个分布式是实时计算系统，它设计了一种对流和计算的抽象，概念比较简单，实际编程开发起来相对容易。下面，简单介绍编程实践过程中需要理解的Storm中的几个概念：
Topology
Storm中Topology的概念类似于Hadoop中的MapReduce
Job，是一个用来编排、容纳一组计算逻辑组件（Spout、Bolt）的对象（Hadoop MapReduce中一个Job包含一组Map
Task、Reduce Task），这一组计算组件可以按照DAG图的方式编排起来（通过选择Stream
Groupings来控制数据流分发流向），从而组合成一个计算逻辑更加负责的对象，那就是Topology。一个Topology运行以后就不能停止，它会无限地运行下去，除非手动干预（显式执行bin/storm
kill ）或意外故障（如停机、整个Storm集群挂掉）让它终止。
Spout
Storm中Spout是一个Topology的消息生产的源头，Spout应该是一个持续不断生产消息的组件，例如，它可以是一个Socket
Server在监听外部Client连接并发送消息，可以是一个消息队列（MQ）的消费者、可以是用来接收Flume
Agent的Sink所发送消息的服务，等等。Spout生产的消息在Storm中被抽象为Tuple，在整个Topology的多个计算组件之间都是根据需要抽象构建的Tuple消息来进行连接，从而形成流。
Bolt
Storm中消息的处理逻辑被封装到Bolt组件中，任何处理逻辑都可以在Bolt里面执行，处理过程和普通计算应用程序没什么区别，只是需要根据Storm的计算语义来合理设置一下组件之间消息流的声明、分发、连接即可。Bolt可以接收来自一个或多个Spout的Tuple消息，也可以来自多个其它Bolt的Tuple消息，也可能是Spout和其它Bolt组合发送的Tuple消息。
Stream Grouping
Storm中用来定义各个计算组件（Spout、Bolt）之间流的连接、分组、分发关系。Storm定义了如下7种分发策略：Shuffle
Grouping（随机分组）、Fields Grouping（按字段分组）、All Grouping（广播分组）、Global
Grouping（全局分组）、Non Grouping（不分组）、Direct Grouping（直接分组）、Local
or Shuffle Grouping（本地/随机分组），各种策略的具体含义可以参考Storm官方文档、比较容易理解。
下面，作为入门实践，我们简单介绍几种开发中常用的流操作处理方式的实现：
Storm组件简单串行
这种方式是最简单最直观的，只要我们将Storm的组件（Spout、Bolt）串行起来即可实现，只需要了解编写这些组件的基本方法即可。在实际应用中，如果我们需要从某一个数据源连续地接收消息，然后顺序地处理每一个请求，就可以使用这种串行方式来处理。如果说处理单元的逻辑非常复杂，那么就需要处理逻辑进行分离，属于同一类操作的逻辑封装到一个处理组件中，做到各个组件之间弱耦合（除了定义Field的schema外，只通过发送消息来连接各个组件）。
下面，我实现一个简单的WordCount的例子，各个组件之间的连接方式，如下图所示：
ProduceRecordSpout类是一个Spout组件，用来产生消息，我们这里模拟发送一些英文句子，实际应用中可以指定任何数据源，如数据库、消息中间件、Socket连接、RPC调用等等。ProduceRecordSpout类代码如下所示：
public static class ProduceRecordSpout extends BaseRichSpout {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(ProduceRecordSpout.class);
05
private SpoutOutputCollector collector;
06
private Random random;
07
private String[] records;
08
09
public ProduceRecordSpout(String[] records) {
10
this.records = records;
11
}
12
13
@Override
14
public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {
15
this.collector = collector;
16
random = new Random();
17
}
18
19
@Override
20
public void nextTuple() {
21
Utils.sleep(500);
22
String record = records[random.nextInt(records.length)];
23
List<Object> values = new Values(record);
24
collector.emit(values, values);
25
LOG.info("Record emitted: record=" + record);
26
}
27
28
@Override
29
public void declareOutputFields(OutputFieldsDeclarer declarer) {
30
declarer.declare(new Fields("record"));
31
}
32
}
|
构造一个ProduceRecordSpout对象时，传入一个字符串数组，然后随机地选择其中一个句子，emit到下游（Downstream）的WordSplitterBolt组件，只声明了一个Field，WordSplitterBolt组件可以根据声明的Field，接收到emit的消息，WordSplitterBolt类代码实现如下所示：
public static class WordSplitterBolt extends BaseRichBolt {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(WordSplitterBolt.class);
05
private OutputCollector collector;
06
07
@Override
08
public void prepare(Map stormConf, TopologyContext context,
09
OutputCollector collector) {
10
this.collector = collector;
11
}
12
13
@Override
14
public void execute(Tuple input) {
15
String record = input.getString(0);
16
if(record != null && !record.trim().isEmpty()) {
17
for(String word : record.split("\\s+")) {
18
collector.emit(input, new Values(word, 1));
19
LOG.info("Emitted: word=" + word);
20
collector.ack(input);
21
}
22
}
23
}
24
25
@Override
26
public void declareOutputFields(OutputFieldsDeclarer declarer) {
27
declarer.declare(new Fields("word", "count"));
28
}
29
30
}
|
在execute方法中，传入的参数是一个Tuple，该Tuple就包含了上游（Upstream）组件ProduceRecordSpout所emit的数据，直接取出数据进行处理。上面代码中，我们将取出的数据，按照空格进行的split，得到一个一个的单词，然后在emit到下一个组件，声明的输出schema为2个Field：word和count，当然这里面count的值都为1。
进行统计词频的组件为WordCounterBolt，实现代码如下所示：
public static class WordCounterBolt extends BaseRichBolt {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(WordCounterBolt.class);
05
private OutputCollector collector;
06
private final Map<String, AtomicInteger> counterMap = Maps.newHashMap();
07
08
@Override
09
public void prepare(Map stormConf, TopologyContext context,
10
OutputCollector collector) {
11
this.collector = collector;
12
}
13
14
@Override
15
public void execute(Tuple input) {
16
String word = input.getString(0);
17
int count = input.getIntegerByField("count"); // 通过Field名称取出对应字段的数据
18
AtomicInteger ai = counterMap.get(word);
19
if(ai == null) {
20
ai = new AtomicInteger(0);
21
counterMap.put(word, ai);
22
}
23
ai.addAndGet(count);
24
LOG.info("DEBUG: word=" + word + ", count=" + ai.get());
25
collector.ack(input);
26
}
27
28
@Override
29
public void declareOutputFields(OutputFieldsDeclarer declarer) {
30
}
31
32
@Override
33
public void cleanup() {
34
// print count results
35
LOG.info("Word count results:");
36
for(Entry<String, AtomicInteger> entry : counterMap.entrySet()) {
37
LOG.info("\tword=" + entry.getKey() + ", count=" + entry.getValue().get());
38
}
39
}
40
41
}
|
上面代码通过一个Map来对每个单词出现的频率进行累加计数，比较简单。因为该组件是Topology的最后一个组件，所以不需要在declareOutputFields方法中声明Field的Schema，而是在cleanup方法中输出最终的结果，只有在该组件结束任务退出时才会调用cleanup方法输出。
最后，需要基于上面的3个组件来创建一个Topology实例，提交到Storm集群去运行，配置代码如下所示：
public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {
02
// configure & build topology
03
TopologyBuilder builder = new TopologyBuilder();
04
String[] records = new String[] {
05
"A Storm cluster is superficially similar to a Hadoop cluster",
06
"All coordination between Nimbus and the Supervisors is done through a Zookeeper cluster",
07
"The core abstraction in Storm is the stream"
08
};
09
builder
10
.setSpout("spout-producer", new ProduceRecordSpout(records), 1)
11
.setNumTasks(3);
12
builder
13
.setBolt("bolt-splitter", new WordSplitterBolt(), 2)
14
.shuffleGrouping("spout-producer")
15
.setNumTasks(2);
16
builder.setBolt("bolt-counter", new WordCounterBolt(), 1)
17
.fieldsGrouping("bolt-splitter", new Fields("word"))
18
.setNumTasks(2);
19
20
// submit topology
21
Config conf = new Config();
22
String name = WordCountTopology.class.getSimpleName();
23
if (args != null && args.length > 0) {
24
String nimbus = args[0];
25
conf.put(Config.NIMBUS_HOST, nimbus);
26
conf.setNumWorkers(2);
27
StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());
28
} else {
29
LocalCluster cluster = new LocalCluster();
30
cluster.submitTopology(name, conf, builder.createTopology());
31
Thread.sleep(60000);
32
cluster.shutdown();
33
}
34
}
|
上面通过TopologyBuilder来配置组成一个Topology的多个组件（Spout或Bolt），然后通过调用createTopology()方法创建一个Topology实例。上面方法中，对应着2种运行模式：如果没有传递任何参数，则是使用LocalCluster来运行，适合本地调试代码；如果传递一个Topology名称作为参数，则是在真实的Storm集群上运行，需要对实现的Topology代码进行编译打包，通过StormSubmitter提交到集群上作为服务运行。
Storm组合多种流操作
Storm支持流聚合操作，将多个组件emit的数据，汇聚到同一个处理组件来统一处理，可以实现对多个Spout组件通过流聚合到一个Bolt组件（Sout到Bolt的多对一、多对多操作），也可以实现对多个Bolt通过流聚合到另一个Bolt组件（Bolt到Bolt的多对一、多对多操作）。实际，这里面有两种主要的操作，一种是类似工作流中的fork，另一种是类似工作流中的join。下面，我们实现一个例子来演示如何使用，实时流处理逻辑如下图所示：
上图所描述的实时流处理流程，我们期望能够按照如下流程进行处理：
存在3类数据：数字字符串（NUM）、字母字符串（STR）、特殊符号字符串（SIG）
每个ProduceRecordSpout负责处理上面提到的3类数据
所有数据都是字符串，字符串中含有空格，3种类型的ProduceRecordSpout所emit的数据都需要被相同的逻辑处理：根据空格来拆分字符串
一个用来分发单词的组件DistributeWordByTypeBolt能够接收到所有的单词（包含类型信息），统一将每类单词分别分发到指定的一个用来存储数据的组件
SaveDataBolt用来存储处理过的单词，对于不同类型单词具有不同的存储逻辑，需要设置3类SaveDataBolt
将Spout分为3类，每一个Spout发射不同类型的字符串，这里定义了一个Type常量类来区分这三种类型：
interface Type {
2
String NUMBER = "NUMBER";
3
String STRING = "STRING";
4
String SIGN = "SIGN";
5
}
|
首先看一下，我们实现的Topology是如何进行创建的，代码如下所示：
public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {
02
03
// configure & build topology
04
TopologyBuilder builder = new TopologyBuilder();
05
06
// configure 3 spouts
07
builder.setSpout("spout-number", new ProduceRecordSpout(Type.NUMBER, new String[] {"111 222 333", "80966 31"}), 1);
08
builder.setSpout("spout-string", new ProduceRecordSpout(Type.STRING, new String[] {"abc ddd fasko", "hello the word"}), 1);
09
builder.setSpout("spout-sign", new ProduceRecordSpout(Type.SIGN, new String[] {"++ -*% *** @@", "{+-} ^#######"}), 1);
10
11
// configure splitter bolt
12
builder.setBolt("bolt-splitter", new SplitRecordBolt(), 2)
13
.shuffleGrouping("spout-number")
14
.shuffleGrouping("spout-string")
15
.shuffleGrouping("spout-sign");
16
17
// configure distributor bolt
18
builder.setBolt("bolt-distributor", new DistributeWordByTypeBolt(), 6)
19
.fieldsGrouping("bolt-splitter", new Fields("type"));
20
21
// configure 3 saver bolts
22
builder.setBolt("bolt-number-saver", new SaveDataBolt(Type.NUMBER), 3)
23
.shuffleGrouping("bolt-distributor", "stream-number-saver");
24
builder.setBolt("bolt-string-saver", new SaveDataBolt(Type.STRING), 3)
25
.shuffleGrouping("bolt-distributor", "stream-string-saver");
26
builder.setBolt("bolt-sign-saver", new SaveDataBolt(Type.SIGN), 3)
27
.shuffleGrouping("bolt-distributor", "stream-sign-saver");
28
29
// submit topology
30
Config conf = new Config();
31
String name = MultiStreamsWordDistributionTopology.class.getSimpleName();
32
if (args != null && args.length > 0) {
33
String nimbus = args[0];
34
conf.put(Config.NIMBUS_HOST, nimbus);
35
conf.setNumWorkers(3);
36
StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());
37
} else {
38
LocalCluster cluster = new LocalCluster();
39
cluster.submitTopology(name, conf, builder.createTopology());
40
Thread.sleep(60 * 60 * 1000);
41
cluster.shutdown();
42
}
43
}
|
一个SplitRecordBolt组件从3个不同类型的ProduceRecordSpout接收数据，这是一个多Spout流聚合。SplitRecordBolt将处理后的数据发送给DistributeWordByTypeBolt组件，然后根据收到的数据的类型进行一个分发处理，这里用了fieldsGrouping操作，也就是SplitRecordBolt发送的数据会按照类型发送到不同的DistributeWordByTypeBolt任务（Task），每个Task收到的一定是同一个类型的数据，如果直接使用shuffleGrouping操作也没有问题，只不过每个Task可能收到任何类型的数据，在DistributeWordByTypeBolt内部进行流向控制
DistributeWordByTypeBolt组件中定义了多个stream，根据类型来分组发送给不同类型的SaveDataBolt组件。
下面看每个组件的实现：
ProduceRecordSpout组件
通过我们定义的一个ProduceRecordSpout类，可以创建3个不同的ProduceRecordSpout实例，每个实例负责生产特定类型的数据，实现代码如下所示：
public static class ProduceRecordSpout extends BaseRichSpout {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(ProduceRecordSpout.class);
05
private SpoutOutputCollector collector;
06
private Random rand;
07
private String[] recordLines;
08
private String type;
09
10
public ProduceRecordSpout(String type, String[] lines) {
11
this.type = type;
12
recordLines = lines;
13
}
14
15
@Override
16
public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {
17
this.collector = collector;
18
rand = new Random();
19
}
20
21
22
@Override
23
public void nextTuple() {
24
Utils.sleep(500);
25
String record = recordLines[rand.nextInt(recordLines.length)];
26
List<Object> values = new Values(type, record);
27
collector.emit(values, values);
28
LOG.info("Record emitted: type=" + type + ", record=" + record);
29
}
30
31
@Override
32
public void declareOutputFields(OutputFieldsDeclarer declarer) {
33
declarer.declare(new Fields("type", "record"));
34
}
35
}
|
这比较简单，根据传递的参数来创建上图中的3个Spout实例。
SplitRecordBolt组件
由于前面3个ProduceRecordSpout产生的数据，在开始时的处理逻辑是相同的，所以可以将3个ProduceRecordSpout聚合到一个包含通用逻辑的SplitRecordBolt组件，实现如下所示：
public static class SplitRecordBolt extends BaseRichBolt {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(SplitRecordBolt.class);
05
private OutputCollector collector;
06
07
@Override
08
public void prepare(Map stormConf, TopologyContext context,
09
OutputCollector collector) {
10
this.collector = collector;
11
}
12
13
@Override
14
public void execute(Tuple input) {
15
String type = input.getString(0);
16
String line = input.getString(1);
17
if(line != null && !line.trim().isEmpty()) {
18
for(String word : line.split("\\s+")) {
19
collector.emit(input, new Values(type, word));
20
LOG.info("Word emitted: type=" + type + ", word=" + word);
21
// ack tuple
22
collector.ack(input);
23
}
24
}
25
}
26
27
@Override
28
public void declareOutputFields(OutputFieldsDeclarer declarer) {
29
declarer.declare(new Fields("type", "word"));
30
}
31
}
|
无论接收到的Tuple是什么类型（STRING、NUMBER、SIGN）的数据，都进行split，然后在emit的时候，仍然将类型信息传递给下一个Bolt组件。
DistributeWordByTypeBolt组件
DistributeWordByTypeBolt组件只是用来分发Tuple，通过定义Stream，将接收到的Tuple发送到指定的下游Bolt组件进行处理。通过SplitRecordBolt组件emit的Tuple包含了类型信息，所以在DistributeWordByTypeBolt中根据类型来进行分发，代码实现如下：
public static class DistributeWordByTypeBolt extends BaseRichBolt {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(DistributeWordByTypeBolt.class);
05
private OutputCollector collector;
06
07
@Override
08
public void prepare(Map stormConf, TopologyContext context,
09
OutputCollector collector) {
10
this.collector = collector;
11
Map<GlobalStreamId, Grouping> sources = context.getThisSources();
12
LOG.info("sources==> " + sources);
13
}
14
15
@Override
16
public void execute(Tuple input) {
17
String type = input.getString(0);
18
String word = input.getString(1);
19
switch(type) {
20
case Type.NUMBER:
21
emit("stream-number-saver", type, input, word);
22
break;
23
case Type.STRING:
24
emit("stream-string-saver", type, input, word);
25
break;
26
case Type.SIGN:
27
emit("stream-sign-saver", type, input, word);
28
break;
29
default:
30
// if unknown type, record is discarded.
31
// as needed, you can define a bolt to subscribe the stream 'stream-discarder'.
32
emit("stream-discarder", type, input, word);
33
}
34
// ack tuple
35
collector.ack(input);
36
}
37
38
private void emit(String streamId, String type, Tuple input, String word) {
39
collector.emit(streamId, input, new Values(type, word));
40
LOG.info("Distribution, typed word emitted: type=" + type + ", word=" + word);
41
}
42
43
@Override
44
public void declareOutputFields(OutputFieldsDeclarer declarer) {
45
declarer.declareStream("stream-number-saver", new Fields("type", "word"));
46
declarer.declareStream("stream-string-saver", new Fields("type", "word"));
47
declarer.declareStream("stream-sign-saver", new Fields("type", "word"));
48
declarer.declareStream("stream-discarder", new Fields("type", "word"));
49
}
50
}
|
实际上，下游的3个Bolt组件（SaveDataBolt）在订阅该流组件（DistributeWordByTypeBolt）的时候，方式相同，只是分发的逻辑交由DistributeWordByTypeBolt来统一控制。
我们在配置该Bolt组件时，使用了fieldsGrouping分组方式，实际每个DistributeWordByTypeBolt只会收到同一种类型的Tuple，这里也可以使用shuffleGrouping分组方式，这种分组方式会有不同类型的Tuple被emit到同一个DistributeWordByTypeBolt组件上。
另外，该Bolt组件中我们还定义了一个名称为stream-discarder的stream，在Topology中并没有满足该stream的条件，可以根据实际情况选择是否实现它。
SaveDataBolt组件
最后这个Bolt用来模拟保存处理过的数据内容，代码如下：
public static class SaveDataBolt extends BaseRichBolt {
02
03
private static final long serialVersionUID = 1L;
04
private static final Log LOG = LogFactory.getLog(SaveDataBolt.class);
05
private OutputCollector collector;
06
07
private String type;
08
09
public SaveDataBolt(String type) {
10
this.type = type;
11
}
12
13
@Override
14
public void prepare(Map stormConf, TopologyContext context,
15
OutputCollector collector) {
16
this.collector = collector;
17
}
18
19
@Override
20
public void execute(Tuple input) {
21
// just print the received tuple for being waited to persist
22
LOG.info("[" + type + "] " +
23
"SourceComponent=" + input.getSourceComponent() +
24
", SourceStreamId=" + input.getSourceStreamId() +
25
", type=" + input.getString(0) +
26
", value=" + input.getString(1));
27
}
28
29
@Override
30
public void declareOutputFields(OutputFieldsDeclarer declarer) {
31
// do nothing
32
}
33
34
}
|
在实际应用中，你可能需要将处理过的数据保存到数据库中，就可以在该Bolt中实现存储数据的逻辑。
总结
Storm中最核心的计算组件的抽象就是Spout、Bolt，以及Stream Grouping，其它高级的功能，像Trident、DRPC，他们或者基于这些基础组件以及Streaming
Grouping分发策略来实现的，屏蔽了底层的分发计算处理逻辑以更高层的编程抽象面向开发者，减轻了开发人员对底层复杂机制的处理；或者是为了方便使用Storm计算服务而增加的计算机制衍生物，如批量事务处理、RPC等。
|
