storm流程——storm

相关参考资料链接：
storm框架入门
《storm入门》
storm是一个分布式的，可靠的，容错的数据流处理系统。它会把工作任务委托给不同类型的组件，每个组件负责处理一项简单特定的任务。Storm集群的输入流由一个被称作spout的组件管理，spout把数据传递给bolt， bolt要么把数据保存到某种存储器，要么把数据传递给其它的bolt。
1.storm的基本概念：
（1）spout 龙卷，读取原始数据为bolt提供数据；
（2）bolt 雷电，从spout或其它bolt接收数据，并处理数据，处理结果可作为其它bolt的数据源或最终结果；
（3）nimbus 雨云，主节点的守护进程，负责提交任务，为工作节点分发任务和监控集群；
（4）supervisor 主管，工作节点的进程，负责接收来自nimbus的任务，管理属于自己的worker进程；
（5）worker 工人，运行具体处理组件逻辑的进程；
（6）task 任务，worker中每一个spout/bolt的线程称为一个task.
（7）topology 拓扑结构，Storm的一个任务单元，一个topology是由一组Spout组件（数据源）和Bolt组件（数据操作）通过Stream Groupings进行连接的图；
（8）define field(s) 定义域，由spout或bolt提供，被bolt接收。
（9）stream 小溪，是Storm中的一个核心概念，Storm将输入的数据看成流，它是以tuple为单位组成的一条有向无界的数据流；
（10）tuple 元组，是在Spout和Bolt传递信息的基本单位，tuple可以理解成键值对，其中，键就是在定义在declareStream方法中的Fields字段，而值就是在emit方法中发送的Values字段。

2.storm和hadoop的对比：

3.storm的工作流程：
客户端——提交topology——>nimbus——分配资源和任务调度——>zookeeper<——启动topology——supervisor——获取分配的tasks，启动任务——>worker——>task

4.worker，executor，task的关系：

（1）一台机器起一个或多个worker进程，所有的topology在这些worker进程里运行；
（2）一个worker进程里会运行一个或多个executor线程，每个executor只会运行一个topology的一个component（spout或bolt）的task实例；
（3）一个task是最终完成数据处理的实体单元。
5.stream groupings：消息的分组方法。（6种）
（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。
（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。
常用随机分组和字段分组。
6.代码举例：
（1）spout：消息产生源， spout组件的实现可以通过继承BaseRichSpout类或者其他*Spout类来完成，也可以通过实现IRichSpout接口来实现。

public static class MySpout extends BaseRichSpout {

        SpoutOutputCollector _collector;
        Random _rand;

        //自己定义输入的数据
        @Override
        public void nextTuple() {
            String[] sentences = new String[] { "the cow jumped over the moon", "an apple a day keeps the doctor away","four score and seven years ago", "snow white and the seven dwarfs", "i am at two with nature" };
            String sentence = sentences[_rand.nextInt(sentences.length)];
            String[] strs = sentence.split(" ");
            String str = strs[_rand.nextInt(strs.length)];
            _collector.emit(new Values(str));
        }

        // 先初始化open方法
        @Override
        public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {
            _collector = collector;
            _rand = new Random();
        }

        // 定义发送的字段（发送的域，即键值对的键）
        @Override
        public void declareOutputFields(OutputFieldsDeclarer declarer) {
            declarer.declare(new Fields("word"));
        }
    }

· open（）方法：
当一个task被初始化的时候会调用此open（）方法。一般都会在此方法中对发送tuple的对象SpoutOutputCollector和配置对象TopologyContext初始化。（把要初始化的东西放这里）

_collector = collector;

· declareOutputFields（）方法：
用于声明当前spout的tuple发送流，stream流的定义是通过OutputFieldsDeclare.declareStream方法完成的，其中的参数包括了发送的域Fields。（在这里定义要发送的键值对的“键”）

declarer.declare(new Fields("word"));//定义键为：word

· nextTuple（）方法
这是spout类中最重要的一个方法。发射一个tuple到topology都是通过这个方法来实现的。（在这里发送tuple,发送定义好的“键”和“值”）

_collector.emit(new Values(“定义好的value对象”));//发送tuple

· getComponentConfiguration（）方法
此方法用于声明针对当前组件的特殊的Configuration配置。

public Map<String, Object> getComponentConfiguration() {
        if(!_isDistributed) {
            Map<String, Object> ret = new HashMap<String, Object>();
            ret.put(Config.TOPOLOGY_MAX_TASK_PARALLELISM, 3);//这里便是设置了topology中当前Component的线程数量上限。
            return ret;
        } else {
            return null;
        }
    }

（2）bolt： 接收者，bolt类接收由Spout或者其他上游bolt类发来的tuple，对其进行处理。bolt组件的实现可以通过继承BasicRichBolt类或者IRichBolt接口来完成。

public static class MyBolt extends BaseRichBolt {

        Map counts = new HashMap();
        OutputCollector _collector;

        @Override
        public void execute(Tuple tuple) {
            //从发送来的tuple中取出“键”：word（spout中定义好的）
            String word = tuple.getString(0);
            Integer count = counts.get(word);
            if (count == null)
                count = 0;
            count++;
            counts.put(word, count);
            _collector.emit(new Values(word, count));
        }

        //与spout中的open（）类似
        @Override
        public void prepare(Map conf, TopologyContext context, OutputCollector collector) {
            _collector = collector;
        }

        //用于声明当前bolt发送的tuple中包含的字段
        @Override
        public void declareOutputFields(OutputFieldsDeclarer declarer) {
            declarer.declare(new Fields("word", "count"));
        }
    }

· prepare（）方法
此方法和spout中的open()方法类似，为bolt提供了OutputCollector，用来从bolt中发送tuple。bolt中tuple的发送可以在prepare方法中、execute方法中、cleanup等方法中进行，一般都是些在execute中。

_collector = collector;

· declareOutputFields（）方法
用于声明当前bolt发送的tuple中包含的字段，和spout中类似。

declarer.declare(new Fields("word", "count"));

· execute（）方法
对tuple的处理在这里进行，结果的发送通过emit（）方法来完成。emit（）方法有两种情况：
1）emit（）中有一个参数：此参数为直接发送到下游bolt的tuple；
2）emit（）中有两个参数：第一个参数为旧的tuple的输入流，第二个参数为发往下游bolt的新tuple流，即，如果下游的bolt处理tuple失败，则会向上传递到当前bolt，当前bolt根据旧的tuple流继续往上游传递，申请重发失败的tuple，保证tuple处理的可靠性。
这两种情况要根据自己的场景来确定。

public void execute(Tuple tuple) {
        _collector.emit(tuple, new Values(tuple.getString(0) + "!!!"));
        _collector.ack(tuple);
    }

public void execute(Tuple tuple) {
        _collector.emit(new Values(tuple.getString(0) + "!!!"));
    }

· getComponentConfiguration（）方法
和spout类一样，在bolt中也可以有getComponentConfiguration方法。

public Map<String, Object> getComponentConfiguration() {
        Map<String, Object> conf = new HashMap<String, Object>();
        conf.put(Config.TOPOLOGY_TICK_TUPLE_FREQ_SECS, emitFrequencyInSeconds);
        return conf;
    }

此例定义了从系统组件“_system”的“_tick”流中发送tuple到当前bolt的频率，当系统需要每隔一段时间执行特定的处理时，就可以利用这个系统的组件的特性来完成。
（3）topology运行：
单词统计示例流程图：

topology整个流程示例图：

main（）方法：

public static void main(String[] args)
            throws AlreadyAliveException, InvalidTopologyException, InterruptedException {
        TopologyBuilder builder = new TopologyBuilder();
        builder.setSpout("spout", new MySpout(), 5);
        builder.setBolt("bolt", new MyBolt(), 8).fieldsGrouping("spout", new Fields("word"));

        Config conf = new Config();
        conf.setDebug(true);

        if (args != null && args.length > 0) {
            conf.setNumWorkers(3);
StormSubmitter.submitTopologyWithProgressBar(args[0], conf, builder.createTopology());
        } else {
            conf.setMaxTaskParallelism(3);
            LocalCluster cluster = new LocalCluster();
            cluster.submitTopology("word-count", conf, builder.createTopology());
            Thread.sleep(10000);
            cluster.shutdown();
        }
    }

· 在setSpout（）方法和setBolt（）方法中：
1）第一个参数是当前的Component组件的stream流ID号；
2）第二个参数是具体的Component实现类的构造；
3）第三个参数是当前Component的并行执行的线程数目，storm会根据这个数字的累加和来确定topology的task数目，即executor的设置；
4）最后的小尾巴*Grouping是指的一个stream应如何分配数据给bolt上面的task。
· topology的运行方式：
1）本地运行

conf.setMaxTaskParallelism(3);
            LocalCluster cluster = new LocalCluster();
            cluster.submitTopology("word-count", conf, builder.createTopology());
            Thread.sleep(10000);
            cluster.shutdown();

2）集群运行

conf.setNumWorkers(3);
StormSubmitter.submitTopologyWithProgressBar(args[0], conf, builder.createTopology());