Storm应用系列之——最基本的例子

前言：

        本文会从如何写一个Storm的topology开始，来对Storm实现的细节进行阐述。避免干巴巴的讲理论。

1. 建立Maven项目

我们用Maven来管理项目，方便lib依赖的引用和版本控制。

建立最基本的pom.xml如下：

<project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"><modelVersion>4.0.0</modelVersion><groupId>com.edi.storm</groupId><artifactId>storm-samples</artifactId><version>0.0.1-SNAPSHOT</version><packaging>jar</packaging><properties><project.build.sourceEncoding>UTF-8</project.build.sourceEncoding></properties><repositories><repository><id>clojars.org</id><url>http://clojars.org/repo</url></repository></repositories><build><finalName>storm-samples</finalName><plugins><plugin><groupId>org.apache.maven.plugins</groupId><artifactId>maven-compiler-plugin</artifactId><version>3.1</version><configuration><source>1.7</source><target>1.7</target><encoding>${project.build.sourceEncoding}</encoding></configuration></plugin><plugin><artifactId>maven-assembly-plugin</artifactId><configuration><descriptorRefs><descriptorRef>jar-with-dependencies</descriptorRef></descriptorRefs></configuration><executions><execution><id>make-assembly</id><phase>package</phase><goals><goal>single</goal></goals></execution></executions></plugin></plugins></build><dependencies><dependency><groupId>storm</groupId><artifactId>storm</artifactId><version>0.9.0-rc2</version><scope>provided</scope></dependency></dependencies></project>

这里我额外添加了两个build 插件：

maven-compiler-plugin ： 为了方便指定编译时jdk。Storm的依赖包里面某些是jdk1.5的.

和 

maven-assembly-plugin： 为了把所有依赖包最后打到一个jar包去，方便测试和部署。后面会提到如果不想打到一个jar该怎么做。

2. 建立Spout

前文提到过，Storm中的spout负责发射数据。

我们来实现这样一个spout：

它会随机发射一系列的句子，句子的格式是 谁：说的话

代码如下：

public class RandomSpout extends BaseRichSpout {private SpoutOutputCollector collector;private Random rand;private static String[] sentences = new String[] {"edi:I'm happy", "marry:I'm angry", "john:I'm sad", "ted:I'm excited", "laden:I'm dangerous"};@Overridepublic void open(Map conf, TopologyContext context,SpoutOutputCollector collector) {this.collector = collector;this.rand = new Random();}@Overridepublic void nextTuple() {String toSay = sentences[rand.nextInt(sentences.length)];this.collector.emit(new Values(toSay));}@Overridepublic void declareOutputFields(OutputFieldsDeclarer declarer) {declarer.declare(new Fields("sentence"));}}

这里要先理解Tuple的概念。

Storm中，基本元数据是靠Tuple才承载的。或者说，Tuple是数据的一个大抽象。它要求实现类必须能序列化。

该Spout代码里面最核心的部分有两个：

a. 用collector.emit()方法发射tuple。我们不用自己实现tuple，我们只需要定义tuple的value，Storm会帮我们生成tuple。Values对象接受变长参数。Tuple中以List存放Values，List的Index按照new Values(obj1, obj2,...)的参数的index,例如我们emit(new Values("v1", "v2")), 那么Tuple的属性即为：{ [ "v1" ], [ "V2" ] }

b. declarer.declare方法用来给我们发射的value在整个Stream中定义一个别名。可以理解为key。该值必须在整个topology定义中唯一。

3. 建立Bolt

既然有了源，那么我们就来建立节点处理源流出来的数据。怎么处理呢？为了演示，我们来做些无聊的事情：末尾添加"!"，然后打印。

两个功能，两个Bolt。

先看添加"!"的Bolt

public class ExclaimBasicBolt extends BaseBasicBolt {@Overridepublic void execute(Tuple tuple, BasicOutputCollector collector) {//String sentence = tuple.getString(0);String sentence = (String) tuple.getValue(0);String out = sentence + "!";collector.emit(new Values(out));}@Overridepublic void declareOutputFields(OutputFieldsDeclarer declarer) {declarer.declare(new Fields("excl_sentence"));}}

在RandomSpout中，我们发射的Tuple具有这样的属性 { [ "edi:I'm Happy" ] }, 所以tuple的value list中第0个值，肯定是个String。我们用tuple.getvalue(0)取到。

Storm为tuple封装了一些方法方便我们取一些基本类型，例如String，我们可以直接用getString(int N) 。

取到以后，我们在末尾添加"!"后，仍然发射一个Tuple，定义其唯一的value的field 名字为"excl_sentence"

打印Bolt

public class PrintBolt extends BaseBasicBolt {@Overridepublic void execute(Tuple tuple, BasicOutputCollector collector) {String rec = tuple.getString(0);System.err.println("String recieved: " + rec);}@Overridepublic void declareOutputFields(OutputFieldsDeclarer declarer) {// do nothing}}

仍然是取第一个，因为我们并没有定义过第二个value

4. 建立Topology

现在我们建立拓扑结构的主要组件都有了，可以创建topology了。

public class ExclaimBasicTopo {public static void main(String[] args) throws Exception {TopologyBuilder builder = new TopologyBuilder();builder.setSpout("spout", new RandomSpout());builder.setBolt("exclaim", new ExclaimBasicBolt()).shuffleGrouping("spout");builder.setBolt("print", new PrintBolt()).shuffleGrouping("exclaim");Config conf = new Config();conf.setDebug(false);if (args != null && args.length > 0) {conf.setNumWorkers(3);StormSubmitter.submitTopology(args[0], conf, builder.createTopology());} else {LocalCluster cluster = new LocalCluster();cluster.submitTopology("test", conf, builder.createTopology());Utils.sleep(100000);cluster.killTopology("test");cluster.shutdown();}}}

很简单，对吧。

其中，

builder.setSpout("spout", new RandomSpout());

定义一个spout，id为"spout"

builder.setBolt("exclaim", new ExclaimBasicBolt()).shuffleGrouping("spout"); 

定义了一个id为"exclaim"的bolt，并且按照随机分组获得"spout"发射的tuple

builder.setBolt("print", new PrintBolt()).shuffleGrouping("exclaim");

定义了一个id为"print"的bolt，并且按照随机分组获得"exclaim”发射出来的tuple

.shuffleGrouping

是指明Storm按照何种策略将tuple分配到后续的bolt去。

可以看到，如果我们运行时不带参数，是把topology提交到了LocalCluster的，即所有的task都在一个本地JVM去执行。可以用LocalCluster来调试。如果后面带一个参数，即为该topology的名字，那么就把该topology提交到集群上去了。

把项目用M2E插件导入Eclipse直接运行试试

String recieved: marry:I'm angry!String recieved: edi:I'm happy!String recieved: john:I'm sad!String recieved: edi:I'm happy!String recieved: ted:I'm excited!String recieved: laden:I'm dangerous!String recieved: edi:I'm happy!String recieved: edi:I'm happy!

这里我们并没有指定并行，那么其实是每个spout、bolt仅有一个线程对应去执行。

我们修改下代码，指定并行数

builder.setBolt("exclaim", new ExclaimBasicBolt(), 2).shuffleGrouping("spout");builder.setBolt("print", new PrintBolt(),3).shuffleGrouping("exclaim");

由于我们并没有多指定task数目，所以默认，会有两个exectuor去执行两个exclaimBasicBolt的task，3个executor去执行3个PrintBolt的task。

为了方便体现确实是并行，我们修改PrintBolt代码如下：

public class PrintBolt extends BaseBasicBolt {    private int indexId;@Overridepublic void prepare(Map stormConf, TopologyContext context) {this.indexId = context.getThisTaskIndex();    }@Overridepublic void execute(Tuple tuple, BasicOutputCollector collector) {String rec = tuple.getString(0);System.err.println(String.format("Bolt[%d] String recieved: %s",this.indexId, rec));}@Overridepublic void declareOutputFields(OutputFieldsDeclarer declarer) {// do nothing}}

这里从上下文中拿到该Bolt的TaskIndex，我们指定了3的并发度，所以理论上有3个task，那么该值应该为[1,2,3]。

运行下看看：

Bolt[0] String recieved: marry:I'm angry!Bolt[2] String recieved: john:I'm sad!Bolt[2] String recieved: ted:I'm excited!Bolt[2] String recieved: john:I'm sad!Bolt[2] String recieved: john:I'm sad!

证实确实是并发了。

本地测试通过了，我们用 mvn clean install 命令编译，然后把target目录下生成的 storm-samples-jar-with-dependencies.jar 拷到nimbus机器上，执行

./storm jar storm-samples-jar-with-dependencies.jar com.edi.storm.topos.ExclaimBasicTopo test

在StormUI里面，点进 test

看到spout 已然已经emit了 11347280个tuple了…… 而id为exclaim的bolt也已经接受了2906920个tuple了。print没有输出，所以emit为0。

---

截止到这里，一个简单的Storm的topology已经完成了。

但是，这里依然有些问题：

1. 什么是acker？

2. Bolt为什么有两个继承类和接口？

3. Topology的提交方式到底有几种？

4. 除了随机分组，还有哪些分组策略？

5. Storm是如何保证tuple不被丢失的？

6. 我看到spout发送数据比bolt处理的速度快太多了，我能不能在spout里面sleep？

7. 并发数要如何指定呢？

要知后事如何，且听下回分解~