【Storm总结-5】Twitter Storm: Transactional Topolgoy简介

转自： http://xumingming.sinaapp.com/736/twitter-storm-transactional-topolgoy/

----------------------------

概述

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。关于这一点最常被问到的问题就是“既然tuple可能会被重写发射(replay), 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？”

Storm 0.7.0引入了Transactional Topology, 它可以保证每个tuple”被且仅被处理一次”, 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。

跟Distributed RPC类似， transactional topology其实不能算是storm的一个特性，它其实是用storm的底层原语spout, bolt, topology, stream等等抽象出来的一个特性。

这篇文章解释了事务性topology是怎样的一种抽象，怎样使用它的api，同时也讨论了有关它实现的一些细节。

概念

让我们一步步地建立transactional topology的抽象。我们先提出一种最简单的抽象方式， 然后一步步的完善改进，最后介绍storm代码里面所使用的抽象方式。

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在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，那么它会被重新发射 — 并且附着同样的transaction id。这里说的trasaction 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重发的时候也能够实现“一次而且只有一次”的语义。 让我们看个例子:

比如你想统一个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最新的transaction id。 当你的代码要到数据库里面去更新这个数字的时候，你要判断只有当新的transaction id跟数据库里面保存的transaction id不一样的时候才去更新。考虑两种情况:

• 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，并且更新这个transaction id.
• 数据库里面的transaction id一样： 那么我们知道当前tuple已经统计在数据库里面了，那么可以忽略这个更新。这个tuple肯定之前在更新了数据库之后，反馈给storm的时候失败了（ack超时之类的）。

这个逻辑以及事务的强顺序性保证数据库里面的个数(count)即使在tuple被重发的时候也是准确的。这个主意（保存count + transaction-id)是Kafka的开发者在这个设计文档里面提出来的。

更进一步来说，这个topology可以在一个事务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你再去更新它会忽略，失败的更新你去再次更新它则会接受。比如，如果你在处理一个url流，你可以更新每个url的转发次数， 同时更新每个domain下url的转发次数。

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完全处理成功之后才能去处理下一个tuple。这个性能是非常差的。这个需要大量的数据库调用（只要每个tuple一个数据库调用), 而且这个设计也没有利用到storm的并行计算能力， 所以它的可扩展能力是非常差的。

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tuple数量。如果这个batch失败了，那么你重新replay这整个batch。相应地， 我们不是给每个tuple一个transaction id而是给整个batch一个transaction id，batch与batch之间的处理是强顺序性的， 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， 那么你的应用将会少1000倍的数据库调用。同时它利用了storm的并行计算能力（每个batch内部可以并行)

虽然这个设计比第一个设计好多了， 它仍然不是一个完美的方案。topology里面的worker会花费大量的时间等待计算的其它部分完成。 比如看下面的这个计算。

在bolt 1完成它的处理之后， 它需要等待剩下的bolt去处理当前batch， 直到发射下一个batch。

第三个设计(storm采用的设计)

一个我们需要意识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的。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。

• 计算这个batch的局部数量。
• 把这个batch的局部数量更新到数据库里面去。

其中第二步在多个batch之前需要保证强的顺序性， 但是第一步并不许要， 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2到10个batch可以开始计算它们的局部数量了。

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：

• processing阶段： 这个阶段很多batch可以并行计算。
• commit阶段： 这个阶段各个batch之间需要有强顺序性的保证。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可以在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。 这包括当前transaction id以及定义每个batch的一些元数据。

2) 协调事务: Storm帮你管理所有事情， 以帮你决定在任何一个时间点是该proccessing还是该committing。

3) 错误检测: Storm利用acking框架来高效地检测什么时候一个batch被成功处理了，被成功提交了，或者失败了。Storm然后会相应地replay对应的batch。你不需要自己手动做任何acking或者anchoring — storm帮你搞定所有事情。

4) 内置的批处理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，包括决定什么时候一个bolt接收到一个特定transaction的所有tuple。Storm同时也会自动清理每个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(replay)一个特定batch的消息的队列系统(Message Queue)。Kestrel之类的技术做不到这一点。而Apache的Kafka对于这个需求来说是正合适的。storm-contrib里面的storm-kafka实现了这个。

一个基本的例子

你可以通过使用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。这段代码来自storm-starter里面的TransactionalGlobalCount。

帮助

 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接受如下的参数

• 这个transaction topology的id
• spout在整个topology里面的id。
• 一个transactional spout。
• 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, 这个spout是通过TransactionalTopologyBuilder的构造函数来制定的。在这个例子里面，MemoryTransactionalSpout被用来从一个内存变量里面读取数据(DATA)。第二个参数制定数据的fields， 第三个参数指定每个batch的最大tuple数量。关于如何自定义TransactionalSpout我们会在后面介绍。

现在说说 bolts。这个topology并行地计算tuple的总数量。第一个bolt：BatchBolt，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。然后再把总的数量更新到数据库里面去。

下面是BatchCount的定义:

帮助

 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创建这个一个BatchCount对象。而这些BatchCount是运行在BatchBoltExecutor里面的。而BatchBoltExecutor负责创建以及清理这个对象的实例。

这个对象的prepare方法接收如下参数:

• 包含storm config信息的map。
• TopologyContext
• OutputCollector
• 这个batch的id。而在Transactional Topologies里面， 这个id则是一个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 — 它是一个java模板类，所以如果你只是想在transactioinal topology里面使用这个BatchBolt，你可以这样定义:

帮助

 public abstract class BaseTransactionalBolt
        extends BaseBatchBolt {
 }

在transaction topology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transaction id，一个attempt id。transaction id的作用就是我们上面介绍的对于每个batch是唯一的，而且不管这个batchreplay多少次都是一样的。attempt id是对于每个batch唯一的一个id， 但是对于统一个batch，它replay之后的attempt id跟replay之前就不一样了， 我们可以把attempt id理解成replay-times, storm利用这个id来区别一个batch发射的tuple的不同版本。

transaction id对于每个batch加一， 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。对于这个例子来说， 它在execute方法里面递增tuple的个数。

最后， 当这个bolt接收到某个batch的所有的tuple之后， finishBatch方法会被调用。这个例子里面的BatchCount类会在这个时候发射它的局部数量到它的输出流里面去。

下面是UpdateGlobalCount类的定义。

 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"));
     }
 }

UpdateGlobalCount是Transactional Topologies相关的类， 所以它继承自BaseTransactionalBolt。在execute方法里面， UpdateGlobalCount累积这个batch的计数， 比较有趣的是finishBatch方法。

首先， 注意这个bolt实现了ICommitter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（顺序就是transaction id的升序), 而相对来说execute方法在任何时候都可以执行，processing或者commit阶段都可以。另外一种把bolt标识为commiter的方法是调用TransactionalTopologyBuilder的setCommiterBolt来添加Bolt(而不是setBolt)。

UpdateGlobalCount里面finishBatch方法的逻辑是首先从数据库中获取当前的值，并且把数据库里面的transaction id与当前这个batch的transaction id进行比较。如果他们一样， 那么忽略这个batch。否则把这个batch的结果加到总结果里面去，并且更新数据库。

关于transactional topology的更深入的例子可以卡看storm-starter里面的TransactionalWords类， 这个类里面会在一个事务里面更新多个数据库。

Transactional Topology API

这一节介绍Transaction topology API

Bolts

在一个transactional topology里面最多有三种类型的bolt:

• BasicBolt: 这个bolt不跟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Committer的BatchBolt: 和普通的BatchBolt的唯一的区别是finishBatch这个方法被调用的时机。作为committer的BatchBolt的finishBatch方法在commit阶段调用。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。并且它会重试直到topology里面的所有bolt在commit完成提交。有两个方法可以让一个普通BatchBolt变成committer: 1) 实现ICommitter接口 2) 通过TransactionalTopologyBuilder的setCommitterBolt方法把BatchBolt添加到topology里面去。

  Processing phase vs. commit phase in bolts

  为了搞清除processing阶段与commit阶段的区别， 让我们看个例子:

  在这个topology里面只有用红线标出来的是committers。

  在processing阶段， bolt A会处理从spout发射出来的整个batch。并且发射tuple给bolt B和bolt C。Bolt B是一个committer， 所以它会处理所有的tuple， 但是不会调用finishBatch方法。Bolt C同样也不会调用finishBatch方法， 它的原因是：它不知道它有没有从Bolt B接收到所有的tuple。（因为Bolt B还在等着事务提交）最后Bolt D会接收到Bolt C在调用execute方法的时候发射的所有的tuple。

  当batch提交的时候， Bolt B上的finishBatch被调用。Bolt C现在可以判断它接收到了所有的tuple， 所以可以调用finishBatch了。最后Bolt D接收到了它的所有的tuple所以就调用finishBatch了。

  要注意的是，虽然Bolt D是一个committer, 它在接收到整个batch的tuple之后不需要等待第二个commit信号。因为它是在commit阶段接收到的整个batch，它会调用finishBatch来完成整个事务。

  Acking

  注意， 你不需要显式地去做任何的acking或者anchoring。storm在背后都做掉了。（storm对transactional topolgies里面的acking机制进行了高度的优化)

  Failing a transaction

  在使用普通bolt的时候， 你可以通过调用OutputCollector的fail方法来fail这个tuple所在的tuple树。由于Transactional Topologies把acking框架从用户的视野里面隐藏掉了， 它提供一个不同的机制来fail一个batch（从而使得这个batch被replay）。只要抛出一个FailedException就可以了。跟普通的异常不一样， 这个异常只会导致当前的batch被replay, 而不会使整个进程crash掉。

  Transactional spout

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

  在transactional topology中运行的时候， transactional spout看起来是这样的一个结构：

  在图的左边的coordinator是一个普通的storm的spout — 它一直为事务的batch发射tuple。Emitter则像一个普通的storm bolt，它负责为每个batch实际发射tuple。emitter以all grouping的方式订阅coordinator的”batch emit”流。

  由于TransactionalSpout发射的tuple可能需要会被replay， 因此需要具有幂等性（否则多次replay同一个tuple会使得最后的结果不对）， 为了实现幂等性，需要保存Transactional Spout的少量的状态，这个状态是保存在ZooKeeper里面的。

  关于如何实现一个TransactionalSpout的细节可以参见Javadoc。

  Partitioned Transactional Spout

  一种常见的TransactionalSpout是那种从多个queue broker夺取数据然后再发射的tuple。比如TransactionalKafkaSpout是这样工作的。IPartitionedTransactionalSpout把这些管理每个分区的状态以保证可以replay的幂等性的工作都自动化掉了。更多可以参考Javadoc

  配置

  Transactional Topologies有两个重要的配置：

  • Zookeeper: 默认情况下，transactional topology会把状态信息保存在主zookeeper里面（协调集群的那个)。你可以通过这两个配置来指定其它的zookeeper：”transactional.zookeeper.servers” 和 “transactional.zookeeper.port“。
  • 同时活跃的batch数量：你必须设置同时处理的batch数量。你可以通过”topology.max.spout.pending” 来指定， 如果你不指定，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很复杂，但是使用storm的原语来进行抽象是非常简单的。

  • transactional topology里面的spout是一个子topology, 它由一个spout和一个bolt组成。
    • spout是协调者，它只包含一个task。
    • bolt是发射者
    • bolt以all grouping的方式订阅协调者的输出。
    • 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被成功执行完成，然后去决定一个batch什么时候被成功提交。
  • 状态信息被以RotatingTransactionalState的形式保存在zookeeper里面了。
  • commiting bolts以all grouping的方式订阅协调者的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。
    • 这一点上面跟DRPC里面是一样的。
    • 对于commiting bolt来说， 他会一直等待， 知道从coordinator的commit流里面接收到一个tuple之后，它才会调用finishBatch方法。
    • 所以在没有从coordinator的commit流接收到一个tuple之前，committing bolt不可能调用finishBolt方法。