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：

01	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：

01	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：

01	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：

01	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：

1	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：

01	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：

01	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：

01	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：

01	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：

01	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。

参考链接

• http://storm.apache.org/documentation/Documentation.html
• http://storm.apache.org/documentation/Concepts.html
• http://storm.apache.org/documentation/Tutorial.html
• http://storm.apache.org/documentation/Understanding-the-parallelism-of-a-Storm-topology.html

相关文章

• JStorm-0.9.6.2安装配置
• Kafka+Storm+HDFS整合实践
• CentOS 6.4单机环境下安装配置Storm