Transactional Topology简介

storm通过保证每个tuple至少被处理一次来提供可靠的数据处理。关于这一点最长被问到的问题就是“既然tuple可能会被重写发射，那么我们怎么在storm上面做统计个数之类的事情呢？storm有可能会重复计数吧？”

storm0.7引入了Transactional Topology，它保证每个tuple“被且被处理一次”，这样你就可以实现一种非常准确，非常可扩展，并且高度容错方式来实现计数类应用。

transactional topology其实不算是storm的一个特性，它其实是storm的底层原语spout,bolt，topology，stream等等抽象出来的一个特性。

概念：

第一个设计：最简单的抽象方法

事务性topology背后的核心概念是要给处理数据的提供一个强顺序性。这种强顺序性最简单的表现，同时也是我们的第一个设计就是：我们每次只处理一个tuple，除非这个tuple处理成功，否则我们不去处理下一个tuple.

每一个tuple都跟一个transaction id相关联。如果这个tuple处理失败了，然后需要重写发射，那么它会重新发射并且附着同样的transaction id.这里说的transaction id其实就是一个数字，来一个tuple，它就递增一个。所以第一个tuple的transaction id是1，第二个tuple的transaction id是2，等等等等

tuple的强顺序性使得我们即使在tuple重发的时候也能实现“一次且只有一次”的语义。让我们看个例子：

比如你想统一一个stream里面tuple的总数。那么为了保证统计数字的准确性，你在数据库里面不但要保存tuple的个数，还要保存这个数字所对应的罪行的transaction id.当你的代码要到数据库里面去更新这个数字的时候，你要判断只有当前的transaction id跟数据库里面保存的transaction id不一样的时候才去更新：

1.数据库里面的transaction id跟当前的transaction id不一样：由于我们transaction的强顺序性，我们知道当前的tuple肯定没有统计在数据库里面。所以我们可以安全地递增这个数字，并且更新transaction id

2.数据库里面的transaction id与当前的一样，那么我们知道当前的tuple已经统计在数据库里面了，那么这个更新可以忽略了。这个tuple肯定之前更新过没然后反馈给storm的时候失败了。

这个逻辑以及事物的强顺序性保证数据库里面的个数即使在tuple被重发的时候也是准确的。

更进一步来说，这个topo可以在一个事物里面更新很多不同的状态，并且可以到达“一次而且只有一次的逻辑”。如果有任何失败，那么已经成功的更新不会再去更新，失败的更新你再去更新它则会接受。

这个简单设计有一个很大的问题，那就是你需要等待一个tuple完全处理之后才能去处理下一个tuple。这个性能是非常差的。而且需要调用大量的数据库，没有利用到storm的并行能力，可扩展性很差。

第二个设计

与每次只处理一个tuple的简单方案相比，一个更好的方案是每个transaction里面处理一批tuple。所以如果你在做一个计数应用，那么你每次更新到总数里面的是这一整个batch的数量。如果batch失败了，那么你重新replay这个batch。我们给整个batch一个transaction id.batch与batch之间的处理时强顺序性的，而batch内部是可以并行的。下面这个是设计图：

所以如果你每个batch处理1000个tuple的话，那么你的应用将会减少1000倍数据库的调用，同时利用了storm的并行能力。

虽然这个设计比第一个好多了，它仍然不是一个完美的方案。topo里面的worker会花费大量的时间等待计算的其他部分完成。比如下图：

在bolt1完成它的处理之后，它需要等待剩下的bolt去处理当前的batch,知道发射下一个batch.

第三个设计

一个我们需要意思到的比较重要的问题是，为了实现transactional的特性，在处理一批tuples的时候，不是所有的工作都需要强顺序性。比如，当做一个全局计数应用的时候，整个计算可以分为两个部分：

1.计算这个batch的局部变量

2。把这个batch的局部数量更新到数据库中。

其中第二步在多个batch之前需要保证强的顺序性，但是第一步不需要，所以我们可以把第一步并行化。所以当第一个batch在更新它的个数进入数据库的时候，第二到10个batch可以开始计算他们的局部数量了。

storm通过把一个batch的计算分成两个阶段来实现上面所说的原理：

1.processing阶段，这个阶段很多batch可以并行计算

2.comnit阶段，这个阶段各个batch之间需要强顺序性的保证。所以第二个batch必须要在第一个batch成功提交之后才能提交。

这两个阶段合起来称为一个transaction.许多batch可以再processing阶段的任何时刻并行计算，但是只有一个batch可以处在commit阶段。如果一个batch在processing或者commit阶段有任何错误，那么整个transaction需要被replay

设计细节

当使用transactional Topologies的时候，storm为你做下面这些事情：

1.管理状态：storm把所有实现Transactional Topologies所必须的状态保存在zookeeper里面。这保存当前transaction id以及定义每个batch的一些元数据。

2.协调事务：storm帮你管理你所有的事情，以帮你决定在任何一个时间点是该processing还是该committing

3.错误检测：storm利用了acking框架来高效的检测什么时候一个batch被成功处理了，被成功提交了，或者失败了。storm然后会相应的replay对应的batch。你不需要自己手动做任何acking或者anchoring

4.内置批处理API：storm在普通bolt之上包装了一层API来提供对tuple的批处理支持。storm管理所有的协调工作，包括什么时候一个bolt接收到一个特定transaction的所有tuple.storm也会自动清理每个transaction所产生的中间数据

5.最后，需要注意的一点是Transactional Topologies需要一个可以完全重发一个特定batch的消息的队列系统。Apache的Kafka对于这个需求来说正合适。

一个基本的例子：

你可以通过TransactionalTopologyBuilder来创建transactional topology。下面就是一个transactional topology的定义，它的作用是计算输入流里面的tuple的个数。

MemoryTransactionalSpout spout = new MemoryTransactionalSpout(DATA, new Fields("word"), PARTITION_TAKE_PER_BATCH);TransactionalTopologyBuilder builder = new TransactionalTopologyBuilder("global-count", "spout", spout, 3);builder.setBolt("partial-count", new BatchCount(), 5).shuffleGrouping("spout");builder.setBolt("sum", new UpdateGlobalCount()).globalGrouping("partial-count");

TransactionalTopologyBuilder接受如下参数：

1.这个是transaction topology的id

2.spout在整个topology里面的id

3.一个transactional spout

4.一个可选的这个transactional spout的并行度
topology的id是用来在zookeeper里面保存这个topology的当前进度的，所以如果你重启这个topology，它可以接着前面的进度继续执行

一个transaction topology里面有一个唯一的TransactionalSpout，MemoryTransactionalSpout被用来从一个内存变量里面读取数据(DATA).第二个参数指定数据的fields，第三个参数指定每个batch的最大tuple的数量。

现在说说bolts。这个topology并行地计算tuple的总数量。第一个bolt:BacthBolt,随机地把输入tuple分给各个task，然后各个task各自统计局部数量。第二个bolt:UpdateBlobalCount，用全局grouping来从汇总这个batch的总的数量，在把数量更新到数据库中。

public static class BatchCount extends BaseBatchBolt {    Object _id;    BatchOutputCollector _collector;     int _count = 0;     @Override    public void prepare(Map conf, TopologyContext context,                BatchOutputCollector collector, Object id) {        _collector = collector;        _id = id;    }     @Override    public void execute(Tuple tuple) {        _count++;    }     @Override    public void finishBatch() {        _collector.emit(new Values(_id, _count));    }     @Override    public void declareOutputFields(OutputFieldsDeclarer declarer) {        declarer.declare(new Fields("id", "count"));    }}

storm会为每个batch创建这样一个BatchCount对象。而这些BatchCount试运行在BatchBoltExecutor里面的，这个prepare除了接受其他三个参数外，多接受一个参数id，这是这个batch的id，这个id是一个TransactionAttempt对象。

这个batch bolt的抽象在DRPC里面也可以用，只是id的类型不一样而已。BatchBolt其实真的接收一个id类型的参数——一个java模板，所以你只是想在Transactional topology里面使用这个BatchBolt可以实现它的泛型TransactionAttempt

在transaction topo里面发射的所有的tuple都必须以TransactionAttempt作为第一个field。然后storm可以根据这个field来判断哪些tuple属于一个batch.所以你在发射tuple的时候需要满足这个条件，TransactionAttempt包含两个值：一个是transaction id，一个是attempt id,transaction id是每个batch的唯一id,但是对于同一个batch，它replay之后attempt就不一样了，它相当于是batch的版本或者次数

transaction id对于每个batch加1，所以第一个batch的transaction id是1，第二个batch是2，以此类推

execute方法会为batch里面的每个tuple执行一次，你应该把这个batch里面的状态保持在一个本地变量里面。execute方法将所有的tuple执行完之后调用finishBatsh方法，发射到下一个输出流里面。

public static class UpdateGlobalCount           extends BaseTransactionalBolt           implements ICommitter {    TransactionAttempt _attempt;    BatchOutputCollector _collector;     int _sum = 0;     @Override    public void prepare(Map conf,                        TopologyContext context,                        BatchOutputCollector collector,                        TransactionAttempt attempt) {        _collector = collector;        _attempt = attempt;    }     @Override    public void execute(Tuple tuple) {        _sum+=tuple.getInteger(1);    }     @Override    public void finishBatch() {        Value val = DATABASE.get(GLOBAL_COUNT_KEY);        Value newval;        if(val == null ||                !val.txid.equals(_attempt.getTransactionId())) {            newval = new Value();            newval.txid = _attempt.getTransactionId();            if(val==null) {                newval.count = _sum;            } else {                newval.count = _sum + val.count;            }            DATABASE.put(GLOBAL_COUNT_KEY, newval);        } else {            newval = val;        }        _collector.emit(new Values(_attempt, newval.count));    }     @Override    public void declareOutputFields(OutputFieldsDeclarer declarer) {        declarer.declare(new Fields("id", "sum"));    }}

updataGlobalCount累积这个batch的计数，这里注意finishBatch方法

首先，这个bolt实现了ICommiyyer接口。这告诉storm要在这个事务的commit阶段调用finishBatch方法。所以对于finishBatch的调用会保证强顺序性。而相对于execute方法来说任何时候都能执行，而finishBatch却会根据transaction id的顺序来执行。另外一种把bolt表示为committer的方法是调用TransactionalTopologyBuilder的setCommiterBolt

UpdateGlobalCount里面finishBatch方法的逻辑是首先从数据库中获取当前值，并且把数据库里面的transaction id与当前的transaction id比较，如果一样，忽略，如果不一样，将结果加到总结过里面，更新数据库。

Transactional Topology API

一个transactional topology里面最多有三种类型的bolt:

BasicBolt：这个bolt跟batch的tuple打交道，它只基于单个tuple的输入来发射新的tuple

BatchBolt：这个bolt处理batch在一起的tuples。对于每一个tuple调用execute方法，而在整个batch处理完成的时候调用finishBatch方法

被标记成commiter的batchBolt:和普通的BatchBolt的唯一区别是finishBatch被调用的时机，一个batch的commit阶段由storm保证只在前一个batch成功提交之后才会执行。

为了搞清processing和commit，看个例子：

图中红线标出的是commiter，在processing阶段，BoltA会处理从spout发射出来的整个batch，并且发射tuple给boltB和C。bolt是一个commiter，所以会处理所有的tuple，但是不会调用finishBatch方法，C也不会调用finishBatch方法，原因是它不知道会不会接到B的数据，最后D会接收到C在execute方法发射的所有tuple。

当batch提交时，B上的finishBatch被调用，C可以判断它接收到了所有的tuple，调用finishBatch,最后D接受到tuple调用finishBatch.

虽然D是一个commiter，但是在接收到所有的tuple后，它可以调用finishBatch了，因为不需要等到Bolt B的信号。

Failing atransaction

在使用普通bolt的时候，你可以通过调用ack或者fail方法fail这个tuple所在的tuple树，使用Transactional Topo时，只需抛出一个FailedException就行了。这个异常会使得batch重新replay.

Transactional spout

它的接口跟普通的spout接口完全不一样。一个TransactionalSpout实现一个batch一个batch的tuple，而且必须保证同一个batch的transaction id始终一样。

在transaction topo运行时spout是下图的一个结构

coordinator是一个普通的spout,它一直为事务发射batch的tuple,Emitter则像一个普通的bolt，负责为每个batch实际发射tuple。Emitter以allgrouping的方式订阅coordinator的batch emit流

配置：

Transactional topologies有两个重要配置

1.zookeeper：transactional topology会把状态信息保存在主zookeeper里面，你可以通过下面配置执行zookeeper

transactional.zookeeper.servers和transactional.zookeeper.port

2.同时活跃的batch的数量：必须设置同时处理的batch数量。topology.max。spout。pending，不指定，默认是1

实现

Transactional Topologies的实现是非常优雅的。管理提交协议，检测失败并且串行提交看起来复杂，但是storm的原语来进行抽象是非常简单的。

transactional topo里面的spout是一个子topo，它有一个spout和一个bolt组成，spout是协调者，只包含一个tash，bolt是发射者，以all grouping的方式订阅输出，元数据的序列化用的是kryo,协调者使用acking框架来决定什么时候一个batch被成功执行，然后决定一个batch什么时候被成功提交，状态信息被保存在zookeeper中，commiting bolts以all grouping的方式订阅commit流，CoordinatedBolt被用来检测一个bolt是否收到了一个特定batch的所有tuple

待验证的疑问：

replay时，是replay当前的batch还是replay所有的batch,应该是1个batch被replay