使用Storm实现实时大数据分析

摘要：随着数据体积的越来越大，实时处理成为了许多机构需要面对的首要挑战。Shruthi Kumar和Siddharth Patankar在Dr.Dobb’s上结合了汽车超速监视，为我们演示了使用Storm进行实时大数据分析。CSDN在此编译、整理。

简单和明了，Storm让大数据分析变得轻松加愉快。

当今世界，公司的日常运营经常会生成TB级别的数据。数据来源囊括了互联网装置可以捕获的任何类型数据，网站、社交媒体、交易型商业数据以及其它商业环境中创建的数据。考虑到数据的生成量，实时处理成为了许多机构需要面对的首要挑战。我们经常用的一个非常有效的开源实时计算工具就是Storm —— Twitter开发，通常被比作“实时的Hadoop”。然而Storm远比Hadoop来的简单，因为用它处理大数据不会带来新老技术的交替。

Shruthi Kumar、Siddharth Patankar共同效力于Infosys，分别从事技术分析和研发工作。本文详述了Storm的使用方法，例子中的项目名称为“超速报警系统（Speeding Alert System）”。我们想实现的功能是：实时分析过往车辆的数据，一旦车辆数据超过预设的临界值 —— 便触发一个trigger并把相关的数据存入数据库。

1.  Storm是什么

     全量数据处理使用的大多是鼎鼎大名的hadoop或者hive，作为一个批处理系统，hadoop以其吞吐量大、自动容错等优点，在海量数据处理上得到了广泛的使用。

      Hadoop下的Map/Reduce框架对于数据的处理流程是：

      1、 将要处理的数据上传到Hadoop的文件系统HDFS中。

      2、 Map阶段

             a)   Master对Map的预处理：对于大量的数据进行切分，划分为M个16~64M的数据分片(可通过参数自定义分片大小)

             b)   调用Mapper函数：Master为Worker分配Map任务，每个分片都对应一个Worker进行处理。各个Worker读取并调用用户定义的Mapper函数    处理数据，并将结果存入HDFS，返回存储位置给Master。

一个Worker在Map阶段完成时，在HDFS中，生成一个排好序的Key-values组成的文件。并将位置信息汇报给Master。

      3、 Reduce阶段

             a)   Master对Reduce的预处理：Master为Worker分配Reduce任务，他会将所有Mapper产生的数据进行映射，将相同key的任务分配给某个Worker。

             b)   调用Reduce函数：各个Worker将分配到的数据集进行排序（使用工具类Merg），并调用用户自定义的Reduce函数，并将结果写入HDFS。

每个Worker的Reduce任务完成后，都会在HDFS中生成一个输出文件。Hadoop并不将这些文件合并，因为这些文件往往会作为另一个Map/reduce程序的输入。

         以上的流程，粗略概括，就是从HDFS中获取数据，将其按照大小分片，进行分布式处理，最终输出结果。从流程来看，Hadoop框架进行数据处理有以下要求：

1、 数据已经存在在HDFS当中。

2、 数据间是少关联的。各个任务执行器在执行负责的数据时，无需考虑对其他数据的影响，数据之间应尽可能是无联系、不会影响的。

使用Hadoop，适合大批量的数据处理，这是他所擅长的。由于基于Map/Reduce这种单级的数据处理模型进行，因此，如果数据间的关联系较大，需要进行数据的多级交互处理（某个阶段的处理数据依赖于上一个阶段），需要进行多次map/reduce。又由于map/reduce每次执行都需要遍历整个数据集，对于数据的实时计算并不合适，于是有了storm。

      对比Hadoop的批处理，Storm是个实时的、分布式以及具备高容错的计算系统。同Hadoop一样Storm也可以处理大批量的数据，然而Storm在保证高可靠性的前提下还可以让处理进行的更加实时；也就是说，所有的信息都会被处理。Storm同样还具备容错和分布计算这些特性，这就让Storm可以扩展到不同的机器上进行大批量的数据处理。他同样还有以下的这些特性：

• 易于扩展：对于扩展，伴随着业务的发展，我们的数据量、计算量可能会越来越大，所以希望这个系统是可扩展的。你只需要添加机器和改变对应的topology（拓扑）设置。Storm使用Hadoop Zookeeper进行集群协调，这样可以充分的保证大型集群的良好运行。

• 每条信息的处理都可以得到保证。

• Storm集群管理简易。

• Storm的容错机能：一旦topology递交，Storm会一直运行它直到topology被废除或者被关闭。而在执行中出现错误时，也会由Storm重新分配任务。这是分布式系统中通用问题。一个节点挂了不能影响我的应用。

• 低延迟。都说了是实时计算系统了，延迟是一定要低的。
  

• 尽管通常使用Java，Storm中的topology可以用任何语言设计。

       在线实时流处理模型

       对于处理大批量数据的Map/reduce程序，在任务完成之后就停止了，但Storm是用于实时计算的，所以，相应的处理程序会一直执行（等待任务，有任务则执行）直至手动停止。

       对于Storm，他是实时处理模型，与hadoop的不同是，他是针对在线业务而存在的计算平台，如统计某用户的交易量、生成为某个用户的推荐列表等实时性高的需求。他是一个“流处理”框架。何谓流处理？storm将数据以Stream的方式，并按照Topology的顺序，依次处理并最终生成结果。

当然为了更好的理解文章，你首先需要安装和设置Storm。需要通过以下几个简单的步骤：

• 从Storm官方下载Storm安装文件

• 将bin/directory解压到你的PATH上，并保证bin/storm脚本是可执行的。

      尽管 Storm 是使用 Clojure 语言开发的，您仍然可以在 Storm 中使用几乎任何语言编写应用程序。所需的只是一个连接到 Storm 的架构的适配器。已存在针对 Scala、JRuby、Perl 和 PHP 的适配器，但是还有支持流式传输到 Storm 拓扑结构中的结构化查询语言适配器。

2.  Storm的组件

       Storm集群和Hadoop集群表面上看很类似。但是Hadoop上运行的是MapReduce jobs，而在Storm上运行的是拓扑（topology），这两者之间是非常不一样的。一个关键的区别是： 一个MapReduce job最终会结束， 而一个topology永远会运行（除非你手动kill掉）。

       Storm集群主要由一个主节点（Nimbus后台程序）和一群工作节点（worker node）Supervisor的节点组成，通过 Zookeeper进行协调。Nimbus类似Hadoop里面的JobTracker。Nimbus负责在集群里面分发代码，分配计算任务给机器， 并且监控状态。

      每一个工作节点上面运行一个叫做Supervisor的节点。Supervisor会监听分配给它那台机器的工作，根据需要启动/关闭工作进程。每一个工作进程执行一个topology的一个子集；一个运行的topology由运行在很多机器上的很多工作进程组成。

1、 Nimbus主节点：

     主节点通常运行一个后台程序 —— Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。这个很类似于Hadoop中的Job Tracker。

2、Supervisor工作节点：

      工作节点同样会运行一个后台程序 —— Supervisor，用于收听工作指派并基于要求运行工作进程。每个工作节点都是topology中一个子集的实现。而Nimbus和Supervisor之间的协调则通过Zookeeper系统或者集群。

3、Zookeeper

     Zookeeper是完成Supervisor和Nimbus之间协调的服务。而应用程序实现实时的逻辑则被封装进Storm中的“topology”。topology则是一组由Spouts（数据源）和Bolts（数据操作）通过Stream Groupings进行连接的图。下面对出现的术语进行更深刻的解析。

4、Worker：

       运行具体处理组件逻辑的进程。

5、Task：

       worker中每一个spout/bolt的线程称为一个task. 在storm0.8之后，task不再与物理线程对应，同一个spout/bolt的task可能会共享一个物理线程，该线程称为executor。

6、Topology（拓扑）：

       storm中运行的一个实时应用程序，因为各个组件间的消息流动形成逻辑上的一个拓扑结构。一个topology是spouts和bolts组成的图， 通过stream groupings将图中的spouts和bolts连接起来，如下图：

     一个topology会一直运行直到你手动kill掉，Storm自动重新分配执行失败的任务， 并且Storm可以保证你不会有数据丢失（如果开启了高可靠性的话）。如果一些机器意外停机它上面的所有任务会被转移到其他机器上。

运行一个topology很简单。首先，把你所有的代码以及所依赖的jar打进一个jar包。然后运行类似下面的这个命令：

      storm jar all–my–code.jar backtype.storm.MyTopology arg1 arg2

这个命令会运行主类: backtype.strom.MyTopology, 参数是arg1, arg2。这个类的main函数定义这个topology并且把它提交给Nimbus。storm jar负责连接到Nimbus并且上传jar包。

Topology的定义是一个Thrift结构，并且Nimbus就是一个Thrift服务， 你可以提交由任何语言创建的topology。上面的方面是用JVM-based语言提交的最简单的方法。

7、Spout：

       消息源spout是Storm里面一个topology里面的消息生产者。简而言之，Spout从来源处读取数据并放入topology。Spout分成可靠和不可靠两种；当Storm接收失败时，可靠的Spout会对tuple（元组，数据项组成的列表）进行重发；而不可靠的Spout不会考虑接收成功与否只发射一次。

       消息源可以发射多条消息流stream。使用OutputFieldsDeclarer.declareStream来定义多个stream，然后使用SpoutOutputCollector来发射指定的stream。

      而Spout中最主要的方法就是nextTuple（），该方法会发射一个新的tuple到topology，如果没有新tuple发射则会简单的返回。

       要注意的是nextTuple方法不能阻塞，因为storm在同一个线程上面调用所有消息源spout的方法。另外两个比较重要的spout方法是ack和fail。storm在检测到一个tuple被整个topology成功处理的时候调用ack，否则调用fail。storm只对可靠的spout调用ack和fail。

8、Bolt：

     Topology中所有的处理都由Bolt完成。即所有的消息处理逻辑被封装在bolts里面。Bolt可以完成任何事，比如：连接的过滤、聚合、访问文件/数据库、等等。

        Bolt从Spout中接收数据并进行处理，如果遇到复杂流的处理也可能将tuple发送给另一个Bolt进行处理。即需要经过很多blots。比如算出一堆图片里面被转发最多的图片就至少需要两步：第一步算出每个图片的转发数量。第二步找出转发最多的前10个图片。（如果要把这个过程做得更具有扩展性那么可能需要更多的步骤）。

        Bolts可以发射多条消息流， 使用OutputFieldsDeclarer.declareStream定义stream，使用OutputCollector.emit来选择要发射的stream。

      而Bolt中最重要的方法是execute（），以新的tuple作为参数接收。不管是Spout还是Bolt，如果将tuple发射成多个流，这些流都可以通过declareStream（）来声明。

     bolts使用OutputCollector来发射tuple，bolts必须要为它处理的每一个tuple调用OutputCollector的ack方法，以通知Storm这个tuple被处理完成了，从而通知这个tuple的发射者spouts。 一般的流程是： bolts处理一个输入tuple,  发射0个或者多个tuple, 然后调用ack通知storm自己已经处理过这个tuple了。storm提供了一个IBasicBolt会自动调用ack。

9、Tuple：

       一次消息传递的基本单元。本来应该是一个key-value的map，但是由于各个组件间传递的tuple的字段名称已经事先定义好，所以tuple中只要按序填入各个value就行了，所以就是一个value list.

10、Stream：

        源源不断传递的tuple就组成了stream。消息流stream是storm里的关键抽象。一个消息流是一个没有边界的tuple序列， 而这些tuple序列会以一种分布式的方式并行地创建和处理。通过对stream中tuple序列中每个字段命名来定义stream。在默认的情况下，tuple的字段类型可以是：integer，long，short， byte，string，double，float，boolean和byte array。你也可以自定义类型（只要实现相应的序列化器）。

     每个消息流在定义的时候会被分配给一个id，因为单向消息流使用的相当普遍， OutputFieldsDeclarer定义了一些方法让你可以定义一个stream而不用指定这个id。在这种情况下这个stream会分配个值为‘default’默认的id 。

      Storm提供的最基本的处理stream的原语是spout和bolt。你可以实现spout和bolt提供的接口来处理你的业务逻辑。

11、Stream Groupings：

Stream Grouping定义了一个流在Bolt任务间该如何被切分。这里有Storm提供的6个Stream Grouping类型：

1）. 随机分组（Shuffle grouping）：随机分发tuple到Bolt的任务，保证每个任务获得相等数量的tuple。

2）. 字段分组（Fields grouping）：根据指定字段分割数据流，并分组。例如，根据“user-id”字段，相同“user-id”的元组总是分发到同一个任务，不同“user-id”的元组可能分发到不同的任务。

3）. 全部分组（All grouping）：tuple被复制到bolt的所有任务。这种类型需要谨慎使用。

4）. 全局分组（Global grouping）：全部流都分配到bolt的同一个任务。明确地说，是分配给ID最小的那个task。

5）. 无分组（None grouping）：你不需要关心流是如何分组。目前，无分组等效于随机分组。但最终，Storm将把无分组的Bolts放到Bolts或Spouts订阅它们的同一线程去执行（如果可能）。

6）. 直接分组（Direct grouping）：这是一个特别的分组类型。元组生产者决定tuple由哪个元组处理者任务接收。

当然还可以实现CustomStreamGroupimg接口来定制自己需要的分组。

storm 和hadoop的对比来了解storm中的基本概念。

3.  Storm应用场景

       Storm 与其他大数据解决方案的不同之处在于它的处理方式。Hadoop 在本质上是一个批处理系统。数据被引入 Hadoop 文件系统 (HDFS) 并分发到各个节点进行处理。当处理完成时，结果数据返回到 HDFS 供始发者使用。Storm 支持创建拓扑结构来转换没有终点的数据流。不同于 Hadoop 作业，这些转换从不停止，它们会持续处理到达的数据。

Twitter列举了Storm的三大类应用：

1. 信息流处理{Stream processing}
Storm可用来实时处理新数据和更新数据库，兼具容错性和可扩展性。即Storm可以用来处理源源不断流进来的消息，处理之后将结果写入到某个存储中去。

2. 连续计算{Continuous computation}
Storm可进行连续查询并把结果即时反馈给客户端。比如把Twitter上的热门话题发送到浏览器中。

3. 分布式远程程序调用{Distributed RPC}
       Storm可用来并行处理密集查询。Storm的拓扑结构是一个等待调用信息的分布函数，当它收到一条调用信息后，会对查询进行计算，并返回查询结果。举个例子Distributed RPC可以做并行搜索或者处理大集合的数据。

        通过配置drpc服务器，将storm的topology发布为drpc服务。客户端程序可以调用drpc服务将数据发送到storm集群中，并接收处理结果的反馈。这种方式需要drpc服务器进行转发，其中drpc服务器底层通过thrift实现。适合的业务场景主要是实时计算。并且扩展性良好，可以增加每个节点的工作worker数量来动态扩展。

4.  项目实施，构建Topology

      当下情况我们需要给Spout和Bolt设计一种能够处理大量数据（日志文件）的topology，当一个特定数据值超过预设的临界值时促发警报。使用Storm的topology，逐行读入日志文件并且监视输入数据。在Storm组件方面，Spout负责读入输入数据。它不仅从现有的文件中读入数据，同时还监视着新文件。文件一旦被修改Spout会读入新的版本并且覆盖之前的tuple（可以被Bolt读入的格式），将tuple发射给Bolt进行临界分析，这样就可以发现所有可能超临界的记录。

下一节将对用例进行详细介绍。

临界分析

这一节，将主要聚焦于临界值的两种分析类型：瞬间临界（instant thershold）和时间序列临界（time series threshold）。

• 瞬间临界值监测：一个字段的值在那个瞬间超过了预设的临界值，如果条件符合的话则触发一个trigger。举个例子当车辆超越80公里每小时，则触发trigger。

• 时间序列临界监测：字段的值在一个给定的时间段内超过了预设的临界值，如果条件符合则触发一个触发器。比如：在5分钟类，时速超过80KM两次及以上的车辆。

Listing One显示了我们将使用的一个类型日志，其中包含的车辆数据信息有：车牌号、车辆行驶的速度以及数据获取的位置。

这里将创建一个对应的XML文件，这将包含引入数据的模式。这个XML将用于日志文件的解析。XML的设计模式和对应的说明请见下表。

XML文件和日志文件都存放在Spout可以随时监测的目录下，用以关注文件的实时更新。而这个用例中的topology请见下图。

Figure 1：Storm中建立的topology，用以实现数据实时处理

如图所示：FilelistenerSpout接收输入日志并进行逐行的读入，接着将数据发射给ThresoldCalculatorBolt进行更深一步的临界值处理。一旦处理完成，被计算行的数据将发送给DBWriterBolt，然后由DBWriterBolt存入给数据库。下面将对这个过程的实现进行详细的解析。

Spout的实现

Spout以日志文件和XML描述文件作为接收对象。XML文件包含了与日志一致的设计模式。不妨设想一下一个示例日志文件，包含了车辆的车牌号、行驶速度、以及数据的捕获位置。（看下图）

Figure2：数据从日志文件到Spout的流程图

Listing Two显示了tuple对应的XML，其中指定了字段、将日志文件切割成字段的定界符以及字段的类型。XML文件以及数据都被保存到Spout指定的路径。

Listing Two：用以描述日志文件的XML文件。

<TUPLEINFO>   
<FIELDLIST>   
<FIELD>   
<COLUMNNAME>vehicle_number</COLUMNNAME>   
<COLUMNTYPE>string</COLUMNTYPE>   
</FIELD>   
   
<FIELD>  
<COLUMNNAME>speed</COLUMNNAME>   
<COLUMNTYPE>int</COLUMNTYPE>   
</FIELD>   
   
<FIELD>   
<COLUMNNAME>location</COLUMNNAME>   
<COLUMNTYPE>string</COLUMNTYPE>   
</FIELD>   
</FIELDLIST>   
<DELIMITER>,</DELIMITER>   
</TUPLEINFO>

通过构造函数及它的参数Directory、PathSpout和TupleInfo对象创建Spout对象。TupleInfo储存了日志文件的字段、定界符、字段的类型这些很必要的信息。这个对象通过XSTream序列化XML时建立。

Spout的实现步骤：

• 对文件的改变进行分开的监听，并监视目录下有无新日志文件添加。

• 在数据得到了字段的说明后，将其转换成tuple。

• 声明Spout和Bolt之间的分组，并决定tuple发送给Bolt的途径。

Spout的具体编码在Listing Three中显示。

Listing Three：Spout中open、nextTuple和delcareOutputFields方法的逻辑。    

public void open( Map conf, TopologyContext context,SpoutOutputCollector collector )     
{     
           _collector = collector;     
         try     
         {     
         fileReader  =  new BufferedReader(new FileReader(new File(file)));    
         }    
         catch (FileNotFoundException e)    
         {    
         System.exit(1);     
         }    
}                                                            
   
public void nextTuple()    
{    
         protected void ListenFile(File file)    
         {    
         Utils.sleep(2000);    
         RandomAccessFile access = null;    
         String line = null;     
            try     
            {    
                while ((line = access.readLine()) != null)    
                {    
                    if (line !=null)    
                    {     
                         String[] fields=null;    
                          if (tupleInfo.getDelimiter().equals("|"))  fields = line.split("\\"+tupleInfo.getDelimiter());     
                          else     
                          fields = line.split  (tupleInfo.getDelimiter());     
                          if (tupleInfo.getFieldList().size() == fields.length)  _collector.emit(new Values(fields));    
                    }    
               }    
            }    
            catch (IOException ex){ }    
            }    
}    
   
public void declareOutputFields(OutputFieldsDeclarer declarer)    
{    
      String[] fieldsArr = new String [tupleInfo.getFieldList().size()];    
      for(int i=0; i<tupleInfo.getFieldList().size(); i++)    
      {    
              fieldsArr[i] = tupleInfo.getFieldList().get(i).getColumnName();    
      }    
declarer.declare(new Fields(fieldsArr));    
}

declareOutputFileds（）决定了tuple发射的格式，这样的话Bolt就可以用类似的方法将tuple译码。Spout持续对日志文件的数据的变更进行监听，一旦有添加Spout就会进行读入并且发送给Bolt进行处理。

Bolt的实现

Spout的输出结果将给予Bolt进行更深一步的处理。经过对用例的思考，我们的topology中需要如Figure 3中的两个Bolt。

Figure 3：Spout到Bolt的数据流程。

ThresholdCalculatorBolt

Spout将tuple发出，由ThresholdCalculatorBolt接收并进行临界值处理。在这里，它将接收好几项输入进行检查；分别是：

临界值检查

• 临界值栏数检查（拆分成字段的数目）

• 临界值数据类型（拆分后字段的类型）

• 临界值出现的频数

• 临界值时间段检查

Listing Four中的类，定义用来保存这些值。

Listing Four:ThresholdInfo类

public class ThresholdInfo implementsSerializable    
   
{      
        private String action;     
        private String rule;     
        private Object thresholdValue;    
        private int thresholdColNumber;     
        private Integer timeWindow;     
        private int frequencyOfOccurence;     
}

基于字段中提供的值，临界值检查将被Listing Five中的execute（）方法执行。代码大部分的功能是解析和接收值的检测。

Listing Five：临界值检测代码段

public void execute(Tuple tuple, BasicOutputCollector collector)     {        if(tuple!=null)         {            List<Object> inputTupleList = (List<Object>) tuple.getValues();            int thresholdColNum = thresholdInfo.getThresholdColNumber();             Object thresholdValue = thresholdInfo.getThresholdValue();             String thresholdDataType = tupleInfo.getFieldList().get(thresholdColNum-1).getColumnType();             Integer timeWindow = thresholdInfo.getTimeWindow();             int frequency = thresholdInfo.getFrequencyOfOccurence();             if(thresholdDataType.equalsIgnoreCase("string"))             {                 String valueToCheck = inputTupleList.get(thresholdColNum-1).toString();                 String frequencyChkOp = thresholdInfo.getAction();                 if(timeWindow!=null)                 {                     long curTime = System.currentTimeMillis();                     long diffInMinutes = (curTime-startTime)/(1000);                     if(diffInMinutes>=timeWindow)                     {                         if(frequencyChkOp.equals("=="))                         {                              if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))                              {                                  count.incrementAndGet();                                  if(count.get() > frequency)                                      splitAndEmit(inputTupleList,collector);                              }                         }                         else if(frequencyChkOp.equals("!="))                         {                             if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))                             {                                  count.incrementAndGet();                                  if(count.get() > frequency)                                      splitAndEmit(inputTupleList,collector);                              }                          }                          else                         System.out.println("Operator not supported");                       }                  }                  else                 {                      if(frequencyChkOp.equals("=="))                      {                          if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))                          {                              count.incrementAndGet();                              if(count.get() > frequency)                                  splitAndEmit(inputTupleList,collector);                              }                      }                      else if(frequencyChkOp.equals("!="))                      {                           if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))                           {                               count.incrementAndGet();                               if(count.get() > frequency)                                   splitAndEmit(inputTupleList,collector);                              }                       }                   }                }                else if(thresholdDataType.equalsIgnoreCase("int") ||                     thresholdDataType.equalsIgnoreCase("double") ||                     thresholdDataType.equalsIgnoreCase("float") ||                     thresholdDataType.equalsIgnoreCase("long") ||                     thresholdDataType.equalsIgnoreCase("short"))                {                    String frequencyChkOp = thresholdInfo.getAction();                    if(timeWindow!=null)                    {                         long valueToCheck =                          Long.parseLong(inputTupleList.get(thresholdColNum-1).toString());                         long curTime = System.currentTimeMillis();                         long diffInMinutes = (curTime-startTime)/(1000);                         System.out.println("Difference in minutes="+diffInMinutes);                         if(diffInMinutes>=timeWindow)                         {                              if(frequencyChkOp.equals("<"))                              {                                  if(valueToCheck < Double.parseDouble(thresholdValue.toString()))                                  {                                       count.incrementAndGet();                                       if(count.get() > frequency)                                           splitAndEmit(inputTupleList,collector);                                  }                              }                              else if(frequencyChkOp.equals(">"))                              {                                   if(valueToCheck > Double.parseDouble(thresholdValue.toString()))                                    {                                       count.incrementAndGet();                                       if(count.get() > frequency)                                           splitAndEmit(inputTupleList,collector);                                   }                               }                               else if(frequencyChkOp.equals("=="))                               {                                  if(valueToCheck == Double.parseDouble(thresholdValue.toString()))                                  {                                      count.incrementAndGet();                                      if(count.get() > frequency)                                          splitAndEmit(inputTupleList,collector);                                   }                               }                               else if(frequencyChkOp.equals("!="))                               {        . . .                                }                           }                 }          else             splitAndEmit(null,collector);          }          else        {               System.err.println("Emitting null in bolt");               splitAndEmit(null,collector);        }    }

经由Bolt发送的的tuple将会传递到下一个对应的Bolt，在我们的用例中是DBWriterBolt。

DBWriterBolt

经过处理的tuple必须被持久化以便于触发tigger或者更深层次的使用。DBWiterBolt做了这个持久化的工作并把tuple存入了数据库。表的建立由prepare（）函数完成，这也将是topology调用的第一个方法。方法的编码如Listing Six所示。

Listing Six：建表编码。

public void prepare( Map StormConf, TopologyContext context )     
{           
    try     
    {    
        Class.forName(dbClass);    
    }     
    catch (ClassNotFoundException e)     
    {    
        System.out.println("Driver not found");    
        e.printStackTrace();    
    }    
     
    try     
    {    
       connection driverManager.getConnection(     
           "jdbc:mysql://"+databaseIP+":"+databasePort+"/"+databaseName, userName, pwd);    
       connection.prepareStatement("DROP TABLE IF EXISTS "+tableName).execute();    
     
       StringBuilder createQuery = new StringBuilder(    
           "CREATE TABLE IF NOT EXISTS "+tableName+"(");    
       for(Field fields : tupleInfo.getFieldList())    
       {    
           if(fields.getColumnType().equalsIgnoreCase("String"))    
               createQuery.append(fields.getColumnName()+" VARCHAR(500),");    
           else   
               createQuery.append(fields.getColumnName()+" "+fields.getColumnType()+",");    
       }    
       createQuery.append("thresholdTimeStamp timestamp)");    
       connection.prepareStatement(createQuery.toString()).execute();    
     
       // Insert Query    
       StringBuilder insertQuery = new StringBuilder("INSERT INTO "+tableName+"(");    
       String tempCreateQuery = new String();    
       for(Field fields : tupleInfo.getFieldList())    
       {    
            insertQuery.append(fields.getColumnName()+",");    
       }    
       insertQuery.append("thresholdTimeStamp").append(") values (");    
       for(Field fields : tupleInfo.getFieldList())    
       {    
           insertQuery.append("?,");    
       }    
     
       insertQuery.append("?)");    
       prepStatement = connection.prepareStatement(insertQuery.toString());    
    }    
    catch (SQLException e)     
    {           
        e.printStackTrace();    
    }           
}

数据分批次的插入数据库。插入的逻辑由Listting Seven中的execute（）方法提供。大部分的编码都是用来实现可能存在不同类型输入的解析。

Listing Seven：数据插入的代码部分。

public void execute(Tuple tuple, BasicOutputCollector collector)     {        batchExecuted=false;        if(tuple!=null)        {           List<Object> inputTupleList = (List<Object>) tuple.getValues();           int dbIndex=0;           for(int i=0;i<tupleInfo.getFieldList().size();i++)           {               Field field = tupleInfo.getFieldList().get(i);               try {                   dbIndex = i+1;                   if(field.getColumnType().equalsIgnoreCase("String"))                                    prepStatement.setString(dbIndex, inputTupleList.get(i).toString());                   else if(field.getColumnType().equalsIgnoreCase("int"))                       prepStatement.setInt(dbIndex,                           Integer.parseInt(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("long"))                       prepStatement.setLong(dbIndex,                            Long.parseLong(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("float"))                       prepStatement.setFloat(dbIndex,                            Float.parseFloat(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("double"))                       prepStatement.setDouble(dbIndex,                            Double.parseDouble(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("short"))                       prepStatement.setShort(dbIndex,                            Short.parseShort(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("boolean"))                       prepStatement.setBoolean(dbIndex,                            Boolean.parseBoolean(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("byte"))                       prepStatement.setByte(dbIndex,                            Byte.parseByte(inputTupleList.get(i).toString()));                   else if(field.getColumnType().equalsIgnoreCase("Date"))                   {                      Date dateToAdd=null;                      if (!(inputTupleList.get(i) instanceof Date))                        {                             DateFormat df = new SimpleDateFormat("yyyy-MM-dd hh:mm:ss");                           try                            {                               dateToAdd = df.parse(inputTupleList.get(i).toString());                           }                           catch (ParseException e)                            {                               System.err.println("Data type not valid");                           }                       }                         else                      {                dateToAdd = (Date)inputTupleList.get(i);                java.sql.Date sqlDate = new java.sql.Date(dateToAdd.getTime());                prepStatement.setDate(dbIndex, sqlDate);                }                   }             catch (SQLException e)             {                 e.printStackTrace();            }        }        Date now = new Date();                  try       {            prepStatement.setTimestamp(dbIndex+1, new java.sql.Timestamp(now.getTime()));            prepStatement.addBatch();            counter.incrementAndGet();            if (counter.get()== batchSize)             executeBatch();        }         catch (SQLException e1)         {            e1.printStackTrace();        }                  }       else      {            long curTime = System.currentTimeMillis();           long diffInSeconds = (curTime-startTime)/(60*1000);           if(counter.get()<batchSize && diffInSeconds>batchTimeWindowInSeconds)           {                try {                    executeBatch();                    startTime = System.currentTimeMillis();                }                catch (SQLException e) {                     e.printStackTrace();                }           }       }    }         public void executeBatch() throws SQLException    {        batchExecuted=true;        prepStatement.executeBatch();        counter = new AtomicInteger(0);    }

一旦Spout和Bolt准备就绪（等待被执行），topology生成器将会建立topology并准备执行。下面就来看一下执行步骤。

在本地集群上运行和测试topology

• 通过TopologyBuilder建立topology。

• 使用Storm Submitter，将topology递交给集群。以topology的名字、配置和topology的对象作为参数。

• 提交topology。

Listing Eight：建立和执行topology。

public class StormMain    
{    
     public static void main(String[] args) throws AlreadyAliveException,     
                                                   InvalidTopologyException,     
                                                   InterruptedException     
     {    
          ParallelFileSpout parallelFileSpout = new ParallelFileSpout();    
          ThresholdBolt thresholdBolt = new ThresholdBolt();    
          DBWriterBolt dbWriterBolt = new DBWriterBolt();    
          TopologyBuilder builder = new TopologyBuilder();    
          builder.setSpout("spout", parallelFileSpout, 1);    
          builder.setBolt("thresholdBolt", thresholdBolt,1).shuffleGrouping("spout");    
          builder.setBolt("dbWriterBolt",dbWriterBolt,1).shuffleGrouping("thresholdBolt");    
          if(this.argsMain!=null && this.argsMain.length > 0)     
          {    
              conf.setNumWorkers(1);    
              StormSubmitter.submitTopology(     
                   this.argsMain[0], conf, builder.createTopology());    
          }    
          else   
          {        
              Config conf = new Config();    
              conf.setDebug(true);    
              conf.setMaxTaskParallelism(3);    
              LocalCluster cluster = new LocalCluster();    
              cluster.submitTopology(    
              "Threshold_Test", conf, builder.createTopology());    
          }    
     }    
}

topology被建立后将被提交到本地集群。一旦topology被提交，除非被取缔或者集群关闭，它将一直保持运行不需要做任何的修改。这也是Storm的另一大特色之一。

这个简单的例子体现了当你掌握了topology、spout和bolt的概念，将可以轻松的使用Storm进行实时处理。如果你既想处理大数据又不想遍历Hadoop的话，不难发现使用Storm将是个很好的选择。

5.  storm常见问题解答

一、我有一个数据文件，或者我有一个系统里面有数据，怎么导入storm做计算？
你需要实现一个Spout，Spout负责将数据emit到storm系统里，交给bolts计算。怎么实现spout可以参考官方的kestrel spout实现：
https://github.com/nathanmarz/storm-kestrel
如果你的数据源不支持事务性消费，那么就无法得到storm提供的可靠处理的保证，也没必要实现ISpout接口中的ack和fail方法。
二、Storm为了保证tuple的可靠处理，需要保存tuple信息，这会不会导致内存OOM？
Storm为了保证tuple的可靠处理，acker会保存该节点创建的tuple id的xor值，这称为ack value，那么每ack一次，就将tuple id和ack value做异或(xor)。当所有产生的tuple都被ack的时候， ack value一定为0。这是个很简单的策略，对于每一个tuple也只要占用约20个字节的内存。对于100万tuple，也才20M左右。关于可靠处理看这个：
https://github.com/nathanmarz/storm/wiki/Guaranteeing-message-processing
三、Storm计算后的结果保存在哪里？可以保存在外部存储吗？
Storm不处理计算结果的保存，这是应用代码需要负责的事情，如果数据不大，你可以简单地保存在内存里，也可以每次都更新数据库，也可以采用NoSQL存储。storm并没有像s4那样提供一个Persist API，根据时间或者容量来做存储输出。这部分事情完全交给用户。
数据存储之后的展现，也是你需要自己处理的，storm UI只提供对topology的监控和统计。
四、Storm怎么处理重复的tuple？
因为Storm要保证tuple的可靠处理，当tuple处理失败或者超时的时候，spout会fail并重新发送该tuple，那么就会有tuple重复计算的问题。这个问题是很难解决的，storm也没有提供机制帮助你解决。一些可行的策略：
（1）不处理，这也算是种策略。因为实时计算通常并不要求很高的精确度，后续的批处理计算会更正实时计算的误差。
（2）使用第三方集中存储来过滤，比如利用mysql,memcached或者redis根据逻辑主键来去重。
（3）使用bloom filter做过滤，简单高效。
五、Storm的动态增删节点
我在storm和s4里比较里谈到的动态增删节点，是指storm可以动态地添加和减少supervisor节点。对于减少节点来说，被移除的supervisor上的worker会被nimbus重新负载均衡到其他supervisor节点上。在storm 0.6.1以前的版本，增加supervisor节点不会影响现有的topology，也就是现有的topology不会重新负载均衡到新的节点上，在扩展集群的时候很不方便，需要重新提交topology。因此我在storm的邮件列表里提了这个问题，storm的开发者nathanmarz创建了一个issue 54并在0.6.1提供了rebalance命令来让正在运行的topology重新负载均衡，具体见：
https://github.com/nathanmarz/storm/issues/54
和0.6.1的变更：
http://groups.google.com/group/storm-user/browse_thread/thread/24a8fce0b2e53246
storm并不提供机制来动态调整worker和task数目。
六、Storm UI里spout统计的complete latency的具体含义是什么？为什么emit的数目会是acked的两倍？
这个事实上是storm邮件列表里的一个问题。Storm作者marz的解答：

The complete latency is the time 
from the spout emitting a tuple to that
tuple being acked on the spout
. So it tracks the time 
for
 the whole tuple
tree to be processed.
If you dive into the spout component in the UI, you'll see that a lot of
the emitted/transferred is on the __ack* stream. 
This is the spout
communicating with the ackers which take care of tracking the tuple trees.

简单地说，complete latency表示了tuple从emit到被acked经过的时间，可以认为是tuple以及该tuple的后续子孙（形成一棵树）整个处理时间。其次spout的emit和transfered还统计了spout和acker之间内部的通信信息，比如对于可靠处理的spout来说，会在emit的时候同时发送一个_ack_init给acker，记录tuple id到task id的映射，以便ack的时候能找到正确的acker task。

6.  其他开源的大数据解决方案

自 Google 在 2004 年推出 MapReduce 范式以来，已诞生了多个使用原始 MapReduce 范式（或拥有该范式的质量）的解决方案。Google 对 MapReduce 的最初应用是建立万维网的索引。尽管此应用程序仍然很流行，但这个简单模型解决的问题也正在增多。

表 1 提供了一个可用开源大数据解决方案的列表，包括传统的批处理和流式处理应用程序。在将 Storm 引入开源之前将近一年的时间里，Yahoo! 的 S4 分布式流计算平台已向 Apache 开源。S4 于 2010 年 10 月发布，它提供了一个高性能计算 (HPC) 平台，向应用程序开发人员隐藏了并行处理的复杂性。S4 实现了一个可扩展的、分散化的集群架构，并纳入了部分容错功能。

表 1. 开源大数据解决方案

csdn（编译/仲浩 王旭东/审校）：http://www.csdn.net/article/2012-12-24/2813117-storm-realtime-big-data-analysis

转自：http://blog.csdn.net/hguisu/article/details/8454368