Kafka+Storm+HDFS整合实践

在基于Hadoop平台的很多应用场景中，我们需要对数据进行离线和实时分析，离线分析可以很容易地借助于Hive来实现统计分析，但是对于实时的需求Hive就不合适了。实时应用场景可以使用Storm，它是一个实时处理系统，它为实时处理类应用提供了一个计算模型，可以很容易地进行编程处理。为了统一离线和实时计算，一般情况下，我们都希望将离线和实时计算的数据源的集合统一起来作为输入，然后将数据的流向分别经由实时系统和离线分析系统，分别进行分析处理，这时我们可以考虑将数据源（如使用Flume收集日志）直接连接一个消息中间件，如Kafka，可以整合Flume+Kafka，Flume作为消息的Producer，生产的消息数据（日志数据、业务请求数据等等）发布到Kafka中，然后通过订阅的方式，使用Storm的Topology作为消息的Consumer，在Storm集群中分别进行如下两个需求场景的处理：
直接使用Storm的Topology对数据进行实时分析处理
整合Storm+HDFS，将消息处理后写入HDFS进行离线分析处理
实时处理，只要开发满足业务需要的Topology即可，不做过多说明。这里，我们主要从安装配置Kafka、Storm，以及整合Kafka+Storm、整合Storm+HDFS、整合Kafka+Storm+HDFS这几点来配置实践，满足上面提出的一些需求。配置实践使用的软件包如下所示：
zookeeper-3.4.5.tar.gz
kafka_2.9.2-0.8.1.1.tgz
apache-storm-0.9.2-incubating.tar.gz
hadoop-2.2.0.tar.gz
程序配置运行所基于的操作系统为CentOS 5.11。
Kafka安装配置
我们使用3台机器搭建Kafka集群：

192.168.4.142 h1
192.168.4.143 h2
192.168.4.144 h3

在安装Kafka集群之前，这里没有使用Kafka自带的Zookeeper，而是独立安装了一个Zookeeper集群，也是使用这3台机器，保证Zookeeper集群正常运行。
首先，在h1上准备Kafka安装文件，执行如下命令：
cd /usr/local/
wget http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.9.2-0.8.1.1.tgz

tar xvzf kafka_2.9.2-0.8.1.1.tgzln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafkachown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka

修改配置文件/usr/local/kafka/config/server.properties，修改如下内容：
broker.id=0
zookeeper.connect=h1:2181,h2:2181,h3:2181
这里需要说明的是，默认Kafka会使用ZooKeeper默认的/路径，这样有关Kafka的ZooKeeper配置就会散落在根路径下面，如果你有其他的应用也在使用ZooKeeper集群，查看ZooKeeper中数据可能会不直观，所以强烈建议指定一个chroot路径，直接在zookeeper.connect配置项中指定：
zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka
而且，需要手动在ZooKeeper中创建路径/kafka，使用如下命令连接到任意一台ZooKeeper服务器：
cd /usr/local/zookeeper
bin/zkCli.sh
在ZooKeeper执行如下命令创建chroot路径：
create /kafka ”
这样，每次连接Kafka集群的时候（使用–zookeeper选项），也必须使用带chroot路径的连接字符串，后面会看到。
然后，将配置好的安装文件同步到其他的h2、h3节点上：
scp -r /usr/local/kafka_2.9.2-0.8.1.1/ h2:/usr/local/
scp -r /usr/local/kafka_2.9.2-0.8.1.1/ h3:/usr/local/
最后，在h2、h3节点上配置，执行如下命令：
cd /usr/local/
ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka
chown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka
并修改配置文件/usr/local/kafka/config/server.properties内容如下所示：
1 broker.id=1 # 在h1修改
2
3 broker.id=2 # 在h2修改
因为Kafka集群需要保证各个Broker的id在整个集群中必须唯一，需要调整这个配置项的值（如果在单机上，可以通过建立多个Broker进程来模拟分布式的Kafka集群，也需要Broker的id唯一，还需要修改一些配置目录的信息）。
在集群中的h1、h2、h3这三个节点上分别启动Kafka，分别执行如下命令：
/export/servers/kafka/bin/kafka-server-start.sh /export/servers/kafka/config/server.properties &
可以通过查看日志，或者检查进程状态，保证Kafka集群启动成功。
我们创建一个名称为my-replicated-topic5的Topic，5个分区，并且复制因子为3，执行如下命令：
1 bin/kafka-topics.sh –create –zookeeper h1:2181,h2:2181,h3:2181/kafka –replication-factor 3 –partitions 5 –topic my-replicated-topic5
查看创建的Topic，执行如下命令：
1 bin/kafka-topics.sh –describe –zookeeper h1:2181,h2:2181,h3:2181/kafka –topic my-replicated-topic5
结果信息如下所示：

面Leader、Replicas、Isr的含义如下：
Partition： 分区
Leader ： 负责读写指定分区的节点
Replicas ： 复制该分区log的节点列表
Isr ： “in-sync” replicas，当前活跃的副本列表（是一个子集），并且可能成为Leader
我们可以通过Kafka自带的bin/kafka-console-producer.sh和bin/kafka-console-consumer.sh脚本，来验证演示如何发布消息、消费消息。
在一个终端，启动Producer，并向我们上面创建的名称为my-replicated-topic5的Topic中生产消息，执行如下脚本：
1 bin/kafka-console-producer.sh –broker-list h1:9092,h2:9092,h3:9092 –topic my-replicated-topic5
在另一个终端，启动Consumer，并订阅我们上面创建的名称为my-replicated-topic5的Topic中生产的消息，执行如下脚本：
1 bin/kafka-console-consumer.sh –zookeeper h1:2181,h2:2181,h3:2181/kafka –from-beginning –topic my-replicated-topic5
可以在Producer终端上输入字符串消息行，然后回车，就可以在Consumer终端上看到消费者消费的消息内容。
也可以参考Kafka的Producer和Consumer的Java API，通过API编码的方式来实现消息生产和消费的处理逻辑。
Storm安装配置
Storm集群也依赖Zookeeper集群，要保证Zookeeper集群正常运行。Storm的安装配置比较简单，我们仍然使用下面3台机器搭建：
1 192.168.4.142 h1
2 192.168.4.143 h2
3 192.168.4.144 h3
首先，在h1节点上，执行如下命令安装：
1 cd /usr/local/
2 wget http://mirror.bit.edu.cn/apache/incubator/storm/apache-storm-0.9.2-incubating/apache-storm-0.9.2-incubating.tar.gz

3 tar xvzf apache-storm-0.9.2-incubating.tar.gz
4 ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm
5 chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm
然后，修改配置文件conf/storm.yaml，内容如下所示：
01 storm.zookeeper.servers:
02 - “h1”
03 - “h2”
04 - “h3”
05 storm.zookeeper.port: 2181
06 #
07 nimbus.host: “h1”
08
09 supervisor.slots.ports:
10 - 6700
11 - 6701
12 - 6702
13 - 6703
14
15 storm.local.dir: “/tmp/storm”
将配置好的安装文件，分发到其他节点上：
1 scp -r /usr/local/apache-storm-0.9.2-incubating/ h2:/usr/local/
2 scp -r /usr/local/apache-storm-0.9.2-incubating/ h3:/usr/local/
最后，在h2、h3节点上配置，执行如下命令：
1 cd /usr/local/
2 ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm
3 chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm
Storm集群的主节点为Nimbus，从节点为Supervisor，我们需要在h1上启动Nimbus服务，在从节点h2、h3上启动Supervisor服务：
1 bin/storm nimbus &
2 bin/storm supervisor &
为了方便监控，可以启动Storm UI，可以从Web页面上监控Storm Topology的运行状态，例如在h2上启动：
1 bin/storm ui &
这样可以通过访问http://h2:8080/来查看Topology的运行状况。
整合Kafka+Storm
消息通过各种方式进入到Kafka消息中间件，比如可以通过使用Flume来收集日志数据，然后在Kafka中路由暂存，然后再由实时计算程序Storm做实时分析，这时我们就需要将在Storm的Spout中读取Kafka中的消息，然后交由具体的Spot组件去分析处理。实际上，apache-storm-0.9.2-incubating这个版本的Storm已经自带了一个集成Kafka的外部插件程序storm-kafka，可以直接使用，例如我使用的Maven依赖配置，如下所示：

org.apache.storm
storm-core
0.9.2-incubating
provided


org.apache.storm
storm-kafka
0.9.2-incubating


org.apache.kafka
kafka_2.9.2
0.8.1.1


org.apache.zookeeper
zookeeper


log4j
log4j



下面，我们开发了一个简单WordCount示例程序，从Kafka读取订阅的消息行，通过空格拆分出单个单词，然后再做词频统计计算，实现的Topology的代码，如下所示：
package org.shirdrn.storm.examples;

import java.util.Arrays;
import java.util.HashMap;
import java.util.Iterator;
import java.util.Map;
import java.util.Map.Entry;
import java.util.concurrent.atomic.AtomicInteger;

import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;

import storm.kafka.BrokerHosts;
import storm.kafka.KafkaSpout;
import storm.kafka.SpoutConfig;
import storm.kafka.StringScheme;
import storm.kafka.ZkHosts;
import backtype.storm.Config;
import backtype.storm.LocalCluster;
import backtype.storm.StormSubmitter;
import backtype.storm.generated.AlreadyAliveException;
import backtype.storm.generated.InvalidTopologyException;
import backtype.storm.spout.SchemeAsMultiScheme;
import backtype.storm.task.OutputCollector;
import backtype.storm.task.TopologyContext;
import backtype.storm.topology.OutputFieldsDeclarer;
import backtype.storm.topology.TopologyBuilder;
import backtype.storm.topology.base.BaseRichBolt;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Tuple;
import backtype.storm.tuple.Values;

public class MyKafkaTopology {

 public static class KafkaWordSplitter extends BaseRichBolt {      private static final Log LOG = LogFactory.getLog(KafkaWordSplitter.class);      private static final long serialVersionUID = 886149197481637894L;      private OutputCollector collector;      @Override      public void prepare(Map stormConf, TopologyContext context,                OutputCollector collector) {           this.collector = collector;                    }      @Override      public void execute(Tuple input) {           String line = input.getString(0);           LOG.info("RECV[kafka -> splitter] " + line);           String[] words = line.split("\\s+");           for(String word : words) {                LOG.info("EMIT[splitter -> counter] " + word);                collector.emit(input, new Values(word, 1));           }           collector.ack(input);      }      @Override      public void declareOutputFields(OutputFieldsDeclarer declarer) {           declarer.declare(new Fields("word", "count"));               } } public static class WordCounter extends BaseRichBolt {      private static final Log LOG = LogFactory.getLog(WordCounter.class);      private static final long serialVersionUID = 886149197481637894L;      private OutputCollector collector;      private Map<String, AtomicInteger> counterMap;      @Override      public void prepare(Map stormConf, TopologyContext context,                OutputCollector collector) {           this.collector = collector;               this.counterMap = new HashMap<String, AtomicInteger>();      }      @Override      public void execute(Tuple input) {           String word = input.getString(0);           int count = input.getInteger(1);           LOG.info("RECV[splitter -> counter] " + word + " : " + count);           AtomicInteger ai = this.counterMap.get(word);           if(ai == null) {                ai = new AtomicInteger();                this.counterMap.put(word, ai);           }           ai.addAndGet(count);           collector.ack(input);           LOG.info("CHECK statistics map: " + this.counterMap);      }      @Override      public void cleanup() {           LOG.info("The final result:");           Iterator<Entry<String, AtomicInteger>> iter = this.counterMap.entrySet().iterator();           while(iter.hasNext()) {                Entry<String, AtomicInteger> entry = iter.next();                LOG.info(entry.getKey() + "\t:\t" + entry.getValue().get());           }      }      @Override      public void declareOutputFields(OutputFieldsDeclarer declarer) {           declarer.declare(new Fields("word", "count"));               } } public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {      String zks = "h1:2181,h2:2181,h3:2181";      String topic = "my-replicated-topic5";      String zkRoot = "/storm"; // default zookeeper root configuration for storm      String id = "word";      BrokerHosts brokerHosts = new ZkHosts(zks);      SpoutConfig spoutConf = new SpoutConfig(brokerHosts, topic, zkRoot, id);      spoutConf.scheme = new SchemeAsMultiScheme(new StringScheme());      spoutConf.forceFromStart = false;      spoutConf.zkServers = Arrays.asList(new String[] {"h1", "h2", "h3"});      spoutConf.zkPort = 2181;      TopologyBuilder builder = new TopologyBuilder();      builder.setSpout("kafka-reader", new KafkaSpout(spoutConf), 5); // Kafka我们创建了一个5分区的Topic，这里并行度设置为5      builder.setBolt("word-splitter", new KafkaWordSplitter(), 2).shuffleGrouping("kafka-reader");      builder.setBolt("word-counter", new WordCounter()).fieldsGrouping("word-splitter", new Fields("word"));      Config conf = new Config();      String name = MyKafkaTopology.class.getSimpleName();      if (args != null && args.length > 0) {           // Nimbus host name passed from command line           conf.put(Config.NIMBUS_HOST, args[0]);           conf.setNumWorkers(3);           StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());      } else {           conf.setMaxTaskParallelism(3);           LocalCluster cluster = new LocalCluster();           cluster.submitTopology(name, conf, builder.createTopology());           Thread.sleep(60000);           cluster.shutdown();      } }

}

上面程序，在本地调试（使用LocalCluster）不需要输入任何参数，提交到实际集群中运行时，需要传递一个参数，该参数为Nimbus的主机名称。
通过Maven构建，生成一个包含依赖的single jar文件（不要把Storm的依赖包添加进去），例如storm-examples-0.0.1-SNAPSHOT.jar，在提交Topology程序到Storm集群之前，因为用到了Kafka，需要拷贝一下依赖jar文件到Storm集群中的lib目录下面：
1 cp /usr/local/kafka/libs/kafka_2.9.2-0.8.1.1.jar /usr/local/storm/lib/
2 cp /usr/local/kafka/libs/scala-library-2.9.2.jar /usr/local/storm/lib/
3 cp /usr/local/kafka/libs/metrics-core-2.2.0.jar /usr/local/storm/lib/
4 cp /usr/local/kafka/libs/snappy-java-1.0.5.jar /usr/local/storm/lib/
5 cp /usr/local/kafka/libs/zkclient-0.3.jar /usr/local/storm/lib/
6 cp /usr/local/kafka/libs/log4j-1.2.15.jar /usr/local/storm/lib/
7 cp /usr/local/kafka/libs/slf4j-api-1.7.2.jar /usr/local/storm/lib/
8 cp /usr/local/kafka/libs/jopt-simple-3.2.jar /usr/local/storm/lib/
然后，就可以提交我们开发的Topology程序了：
1 bin/storm jar /home/storm/storm-examples-0.0.1-SNAPSHOT.jar org.shirdrn.storm.examples.MyKafkaTopology h1
可以通过查看日志文件（logs/目录下）或者Storm UI来监控Topology的运行状况。如果程序没有错误，可以使用前面我们使用的Kafka Producer来生成消息，就能看到我们开发的Storm Topology能够实时接收到并进行处理。
上面Topology实现代码中，有一个很关键的配置对象SpoutConfig，配置属性如下所示：
spoutConf.forceFromStart = false;
该配置是指，如果该Topology因故障停止处理，下次正常运行时是否从Spout对应数据源Kafka中的该订阅Topic的起始位置开始读取，如果forceFromStart=true，则之前处理过的Tuple还要重新处理一遍，否则会从上次处理的位置继续处理，保证Kafka中的Topic数据不被重复处理，是在数据源的位置进行状态记录。
整合Storm+HDFS
Storm实时计算集群从Kafka消息中间件中消费消息，有实时处理需求的可以走实时处理程序，还有需要进行离线分析的需求，如写入到HDFS进行分析。下面实现了一个Topology，代码如下所示：
package org.shirdrn.storm.examples;

import java.text.DateFormat;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Map;
import java.util.Random;

import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;
import org.apache.storm.hdfs.bolt.HdfsBolt;
import org.apache.storm.hdfs.bolt.format.DefaultFileNameFormat;
import org.apache.storm.hdfs.bolt.format.DelimitedRecordFormat;
import org.apache.storm.hdfs.bolt.format.FileNameFormat;
import org.apache.storm.hdfs.bolt.format.RecordFormat;
import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy;
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy;
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy.TimeUnit;
import org.apache.storm.hdfs.bolt.sync.CountSyncPolicy;
import org.apache.storm.hdfs.bolt.sync.SyncPolicy;

import backtype.storm.Config;
import backtype.storm.LocalCluster;
import backtype.storm.StormSubmitter;
import backtype.storm.generated.AlreadyAliveException;
import backtype.storm.generated.InvalidTopologyException;
import backtype.storm.spout.SpoutOutputCollector;
import backtype.storm.task.TopologyContext;
import backtype.storm.topology.OutputFieldsDeclarer;
import backtype.storm.topology.TopologyBuilder;
import backtype.storm.topology.base.BaseRichSpout;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Values;
import backtype.storm.utils.Utils;

public class StormToHDFSTopology {

 public static class EventSpout extends BaseRichSpout {      private static final Log LOG = LogFactory.getLog(EventSpout.class);      private static final long serialVersionUID = 886149197481637894L;      private SpoutOutputCollector collector;      private Random rand;      private String[] records;      @Override      public void open(Map conf, TopologyContext context,                SpoutOutputCollector collector) {           this.collector = collector;               rand = new Random();           records = new String[] {                     "10001     ef2da82d4c8b49c44199655dc14f39f6     4.2.1     HUAWEI G610-U00     HUAWEI     2     70:72:3c:73:8b:22     2014-10-13 12:36:35",                     "10001     ffb52739a29348a67952e47c12da54ef     4.3     GT-I9300     samsung     2     50:CC:F8:E4:22:E2     2014-10-13 12:36:02",                     "10001     ef2da82d4c8b49c44199655dc14f39f6     4.2.1     HUAWEI G610-U00     HUAWEI     2     70:72:3c:73:8b:22     2014-10-13 12:36:35"           };      }      @Override      public void nextTuple() {           Utils.sleep(1000);           DateFormat df = new SimpleDateFormat("yyyy-MM-dd_HH-mm-ss");           Date d = new Date(System.currentTimeMillis());           String minute = df.format(d);           String record = records[rand.nextInt(records.length)];           LOG.info("EMIT[spout -> hdfs] " + minute + " : " + record);           collector.emit(new Values(minute, record));      }      @Override      public void declareOutputFields(OutputFieldsDeclarer declarer) {           declarer.declare(new Fields("minute", "record"));               } } public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {      // use "|" instead of "," for field delimiter      RecordFormat format = new DelimitedRecordFormat()              .withFieldDelimiter(" : ");      // sync the filesystem after every 1k tuples      SyncPolicy syncPolicy = new CountSyncPolicy(1000);      // rotate files       FileRotationPolicy rotationPolicy = new TimedRotationPolicy(1.0f, TimeUnit.MINUTES);      FileNameFormat fileNameFormat = new DefaultFileNameFormat()              .withPath("/storm/").withPrefix("app_").withExtension(".log");      HdfsBolt hdfsBolt = new HdfsBolt()              .withFsUrl("hdfs://h1:8020")              .withFileNameFormat(fileNameFormat)              .withRecordFormat(format)              .withRotationPolicy(rotationPolicy)              .withSyncPolicy(syncPolicy);      TopologyBuilder builder = new TopologyBuilder();      builder.setSpout("event-spout", new EventSpout(), 3);      builder.setBolt("hdfs-bolt", hdfsBolt, 2).fieldsGrouping("event-spout", new Fields("minute"));      Config conf = new Config();      String name = StormToHDFSTopology.class.getSimpleName();      if (args != null && args.length > 0) {           conf.put(Config.NIMBUS_HOST, args[0]);           conf.setNumWorkers(3);           StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());      } else {           conf.setMaxTaskParallelism(3);           LocalCluster cluster = new LocalCluster();           cluster.submitTopology(name, conf, builder.createTopology());           Thread.sleep(60000);           cluster.shutdown();      } }

}

上面的处理逻辑，可以对HdfsBolt进行更加详细的配置，如FileNameFormat、SyncPolicy、FileRotationPolicy（可以设置在满足什么条件下，切出一个新的日志，如可以指定多长时间切出一个新的日志文件，可以指定一个日志文件大小达到设置值后，再写一个新日志文件），更多设置可以参考storm-hdfs，。
上面代码在打包的时候，需要注意，使用storm-starter自带的Maven打包配置，可能在将Topology部署运行的时候，会报错，可以使用maven-shade-plugin这个插件，如下配置所示：

org.apache.maven.plugins
maven-shade-plugin
1.4

true



package

shade