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：

1
192.168.4.142 h1
2
192.168.4.143 h2
3
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：

1
cd /usr/local/
2
wget http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.9.2-0.8.1.1.tgz
3
tar xvzf kafka_2.9.2-0.8.1.1.tgz
4
ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka
5
chown -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：

1
broker.id=0
2
zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka
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：

1
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：

1
cd /usr/local/zookeeper
2
bin/zkCli.sh
在ZooKeeper执行如下命令创建chroot路径：

1
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：

1
scp -r /usr/local/kafka_2.9.2-0.8.1.1/ h2:/usr/local/
2
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：

1
cd /usr/local/
2
ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka
3
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：

1
bin/kafka-server-start.sh /usr/local/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：

1
Topic:my-replicated-topic5 PartitionCount:5 ReplicationFactor:3 Configs:
2
Topic: my-replicated-topic5 Partition: 0 Leader: 0 Replicas: 0,2,1 Isr: 0,2,1
3
Topic: my-replicated-topic5 Partition: 1 Leader: 0 Replicas: 1,0,2 Isr: 0,2,1
4
Topic: my-replicated-topic5 Partition: 2 Leader: 2 Replicas: 2,1,0 Isr: 2,0,1
5
Topic: my-replicated-topic5 Partition: 3 Leader: 0 Replicas: 0,1,2 Isr: 0,2,1
6
Topic: my-replicated-topic5 Partition: 4 Leader: 2 Replicas: 1,2,0 Isr: 2,0,1
上面Leader、Replicas、Isr的含义如下：

1
Partition： 分区
2
Leader ： 负责读写指定分区的节点
3
Replicas ： 复制该分区log的节点列表
4
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，来验证演示如果发布消息、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：

01

02
org.apache.storm
03
storm-core
04
0.9.2-incubating
05
provided
06

07

08
org.apache.storm
09
storm-kafka
10
0.9.2-incubating
11

12

13
org.apache.kafka
14
kafka_2.9.2
15
0.8.1.1
16

17

18
org.apache.zookeeper
19
zookeeper
20

21

22
log4j
23
log4j
24

25

26

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：

001
package org.shirdrn.storm.examples;
002

003
import java.util.Arrays;
004
import java.util.HashMap;
005
import java.util.Iterator;
006
import java.util.Map;
007
import java.util.Map.Entry;
008
import java.util.concurrent.atomic.AtomicInteger;
009

010
import org.apache.commons.logging.Log;
011
import org.apache.commons.logging.LogFactory;
012

013
import storm.kafka.BrokerHosts;
014
import storm.kafka.KafkaSpout;
015
import storm.kafka.SpoutConfig;
016
import storm.kafka.StringScheme;
017
import storm.kafka.ZkHosts;
018
import backtype.storm.Config;
019
import backtype.storm.LocalCluster;
020
import backtype.storm.StormSubmitter;
021
import backtype.storm.generated.AlreadyAliveException;
022
import backtype.storm.generated.InvalidTopologyException;
023
import backtype.storm.spout.SchemeAsMultiScheme;
024
import backtype.storm.task.OutputCollector;
025
import backtype.storm.task.TopologyContext;
026
import backtype.storm.topology.OutputFieldsDeclarer;
027
import backtype.storm.topology.TopologyBuilder;
028
import backtype.storm.topology.base.BaseRichBolt;
029
import backtype.storm.tuple.Fields;
030
import backtype.storm.tuple.Tuple;
031
import backtype.storm.tuple.Values;
032

033
public class MyKafkaTopology {
034

035
public static class KafkaWordSplitter extends BaseRichBolt {
036

037
private static final Log LOG = LogFactory.getLog(KafkaWordSplitter.class);
038
private static final long serialVersionUID = 886149197481637894L;
039
private OutputCollector collector;
040

041
@Override
042
public void prepare(Map stormConf, TopologyContext context,
043
OutputCollector collector) {
044
this.collector = collector;
045
}
046

047
@Override
048
public void execute(Tuple input) {
049
String line = input.getString(0);
050
LOG.info(“RECV[kafka -> splitter] ” + line);
051
String[] words = line.split(“\s+”);
052
for(String word : words) {
053
LOG.info(“EMIT[splitter -> counter] ” + word);
054
collector.emit(input, new Values(word, 1));
055
}
056
collector.ack(input);
057
}
058

059
@Override
060
public void declareOutputFields(OutputFieldsDeclarer declarer) {
061
declarer.declare(new Fields(“word”, “count”));
062
}
063

064
}
065

066
public static class WordCounter extends BaseRichBolt {
067

068
private static final Log LOG = LogFactory.getLog(WordCounter.class);
069
private static final long serialVersionUID = 886149197481637894L;
070
private OutputCollector collector;
071
private Map