Storm实时计算:流操作入门编程实践
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(ProduceRecordSpout.class); private SpoutOutputCollector collector; private Random random; private String[] records; public ProduceRecordSpout(String[] records) { this.records = records; } @Override public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) { this.collector = collector; random = new Random(); } @Override public void nextTuple() { Utils.sleep(500); String record = records[random.nextInt(records.length)]; List<Object> values = new Values(record); collector.emit(values, values); LOG.info("Record emitted: record=" + record); } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("record")); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(WordSplitterBolt.class); private OutputCollector collector; @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } @Override public void execute(Tuple input) { String record = input.getString(0); if(record != null && !record.trim().isEmpty()) { for(String word : record.split("\\s+")) { collector.emit(input, new Values(word, 1)); LOG.info("Emitted: word=" + word); collector.ack(input); } } } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("word", "count")); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(WordCounterBolt.class); private OutputCollector collector; private final Map<String, AtomicInteger> counterMap = Maps.newHashMap(); @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } @Override public void execute(Tuple input) { String word = input.getString(0); int count = input.getIntegerByField("count"); // 通过Field名称取出对应字段的数据 AtomicInteger ai = counterMap.get(word); if(ai == null) { ai = new AtomicInteger(0); counterMap.put(word, ai); } ai.addAndGet(count); LOG.info("DEBUG: word=" + word + ", count=" + ai.get()); collector.ack(input); } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { } @Override public void cleanup() { // print count results LOG.info("Word count results:"); for(Entry<String, AtomicInteger> entry : counterMap.entrySet()) { LOG.info("\tword=" + entry.getKey() + ", count=" + entry.getValue().get()); } } }
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 { // configure & build topology TopologyBuilder builder = new TopologyBuilder(); String[] records = new String[] { "A Storm cluster is superficially similar to a Hadoop cluster", "All coordination between Nimbus and the Supervisors is done through a Zookeeper cluster", "The core abstraction in Storm is the stream" }; builder .setSpout("spout-producer", new ProduceRecordSpout(records), 1) .setNumTasks(3); builder .setBolt("bolt-splitter", new WordSplitterBolt(), 2) .shuffleGrouping("spout-producer") .setNumTasks(2); builder.setBolt("bolt-counter", new WordCounterBolt(), 1) .fieldsGrouping("bolt-splitter", new Fields("word")) .setNumTasks(2); // submit topology Config conf = new Config(); String name = WordCountTopology.class.getSimpleName(); if (args != null && args.length > 0) { String nimbus = args[0]; conf.put(Config.NIMBUS_HOST, nimbus); conf.setNumWorkers(2); StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology()); } else { LocalCluster cluster = new LocalCluster(); cluster.submitTopology(name, conf, builder.createTopology()); Thread.sleep(60000); cluster.shutdown(); } }
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 { String NUMBER = "NUMBER"; String STRING = "STRING"; String SIGN = "SIGN"; }
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 { // configure & build topology TopologyBuilder builder = new TopologyBuilder(); // configure 3 spouts builder.setSpout("spout-number", new ProduceRecordSpout(Type.NUMBER, new String[] {"111 222 333", "80966 31"}), 1); builder.setSpout("spout-string", new ProduceRecordSpout(Type.STRING, new String[] {"abc ddd fasko", "hello the word"}), 1); builder.setSpout("spout-sign", new ProduceRecordSpout(Type.SIGN, new String[] {"++ -*% *** @@", "{+-} ^#######"}), 1); // configure splitter bolt builder.setBolt("bolt-splitter", new SplitRecordBolt(), 2) .shuffleGrouping("spout-number") .shuffleGrouping("spout-string") .shuffleGrouping("spout-sign"); // configure distributor bolt builder.setBolt("bolt-distributor", new DistributeWordByTypeBolt(), 6) .fieldsGrouping("bolt-splitter", new Fields("type")); // configure 3 saver bolts builder.setBolt("bolt-number-saver", new SaveDataBolt(Type.NUMBER), 3) .shuffleGrouping("bolt-distributor", "stream-number-saver"); builder.setBolt("bolt-string-saver", new SaveDataBolt(Type.STRING), 3) .shuffleGrouping("bolt-distributor", "stream-string-saver"); builder.setBolt("bolt-sign-saver", new SaveDataBolt(Type.SIGN), 3) .shuffleGrouping("bolt-distributor", "stream-sign-saver"); // submit topology Config conf = new Config(); String name = MultiStreamsWordDistributionTopology.class.getSimpleName(); if (args != null && args.length > 0) { String nimbus = args[0]; conf.put(Config.NIMBUS_HOST, nimbus); conf.setNumWorkers(3); StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology()); } else { LocalCluster cluster = new LocalCluster(); cluster.submitTopology(name, conf, builder.createTopology()); Thread.sleep(60 * 60 * 1000); cluster.shutdown(); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(ProduceRecordSpout.class); private SpoutOutputCollector collector; private Random rand; private String[] recordLines; private String type; public ProduceRecordSpout(String type, String[] lines) { this.type = type; recordLines = lines; } @Override public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) { this.collector = collector; rand = new Random(); } @Override public void nextTuple() { Utils.sleep(500); String record = recordLines[rand.nextInt(recordLines.length)]; List<Object> values = new Values(type, record); collector.emit(values, values); LOG.info("Record emitted: type=" + type + ", record=" + record); } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("type", "record")); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(SplitRecordBolt.class); private OutputCollector collector; @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } @Override public void execute(Tuple input) { String type = input.getString(0); String line = input.getString(1); if(line != null && !line.trim().isEmpty()) { for(String word : line.split("\\s+")) { collector.emit(input, new Values(type, word)); LOG.info("Word emitted: type=" + type + ", word=" + word); // ack tuple collector.ack(input); } } } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("type", "word")); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(DistributeWordByTypeBolt.class); private OutputCollector collector; @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; Map<GlobalStreamId, Grouping> sources = context.getThisSources(); LOG.info("sources==> " + sources); } @Override public void execute(Tuple input) { String type = input.getString(0); String word = input.getString(1); switch(type) { case Type.NUMBER: emit("stream-number-saver", type, input, word); break; case Type.STRING: emit("stream-string-saver", type, input, word); break; case Type.SIGN: emit("stream-sign-saver", type, input, word); break; default: // if unknown type, record is discarded. // as needed, you can define a bolt to subscribe the stream 'stream-discarder'. emit("stream-discarder", type, input, word); } // ack tuple collector.ack(input); } private void emit(String streamId, String type, Tuple input, String word) { collector.emit(streamId, input, new Values(type, word)); LOG.info("Distribution, typed word emitted: type=" + type + ", word=" + word); } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declareStream("stream-number-saver", new Fields("type", "word")); declarer.declareStream("stream-string-saver", new Fields("type", "word")); declarer.declareStream("stream-sign-saver", new Fields("type", "word")); declarer.declareStream("stream-discarder", new Fields("type", "word")); } }
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 { private static final long serialVersionUID = 1L; private static final Log LOG = LogFactory.getLog(SaveDataBolt.class); private OutputCollector collector; private String type; public SaveDataBolt(String type) { this.type = type; } @Override public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) { this.collector = collector; } @Override public void execute(Tuple input) { // just print the received tuple for being waited to persist LOG.info("[" + type + "] " + "SourceComponent=" + input.getSourceComponent() + ", SourceStreamId=" + input.getSourceStreamId() + ", type=" + input.getString(0) + ", value=" + input.getString(1)); } @Override public void declareOutputFields(OutputFieldsDeclarer declarer) { // do nothing } }
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。
参考链接