storm笔记：storm基本概念

storm笔记：storm基本概念

本文主要介绍storm中的基本概念，从基础上了解strom的体系结构，便于后续编程过程中作为基础指导。主要的概念包括：

1. topology（拓扑）
2. stream（数据流）
3. spout（水龙头、数据源）
4. bolt（螺栓，数据筛选处理）
5. stream group（数据流分组）
6. reliability（可靠性）
7. task（任务）
8. worker（执行者）

因为上述概念中除了可靠性reliability翻译起来比较合适，其他几个词实在找不到合适的对应词语，就直接使用原词。
另外一点需要注意的是，本文使用的storm-core版本是0.10.0，包路径为backtype.storm。因为阿里巴巴开源了jstorm，据说strom2.0之后使用jstorm作为master主干，从github上可以看到包路径修改为了org.apache.storm，如果发现有包路径错误的地方，请对应修改。

topology

Storm实时运行应用包逻辑上成为一个topology，一个Storm的topology相当于MapReduce的job。关键的不同是MapReduce的job有明确的起始和结束，而Storm的topology会一直运行下去（除非进程被杀死或取消部署）。一个topology是有多个spout、bolt通过数据流分组连接起来的图结构。

本地调试

本地调试模拟了集群模式运行方式，对于开发和调试topology很有用。而且本地模式下运行topology与集群模式下类似，只是使用backtype.storm.LocalCluster来模拟集群状态。使用backtype.storm.LocalCluster#submitTopology方法提交topology，定义topology唯一名字、topology的配置（使用的是backtype.storm.Config对象）、以及topology对象（通过backtype.storm.topology.TopologyBuilder#createTopology方法创建）。通过backtype.storm.LocalCluster#killTopology杀掉指定topology，通过backtype.storm.LocalCluster#shutdown停止运行的本地集群模式。比如：

LocalCluster cluster = new LocalCluster();
cluster.submitTopology(DEFAULT_TOPOLOGY_NAME, config, builder.createTopology());
Utils.sleep(100000);
cluster.killTopology(DEFAULT_TOPOLOGY_NAME);
cluster.shutdown();

本地模式常用的配置如下：

1. Config.TOPOLOGY_MAX_TASK_PARALLELISM：这个配置项主要用来设置每个组件线程数的上限。在生产环境中，每个topology中有很多并行线程，但是在本地调试过程中，没有必要存在这么多并行线程，可以通过这个配置来进行设置。
2. Config.TOPOLOGY_DEBUG：设置为true，Storm将记录每个tuple提交后的日志信息，对于调试程序很有用。

集群模式运行

集群模式下运行topology与本地模式下类似，具体步骤如下：

• 定义topology（java下使用backtype.storm.topology.TopologyBuilder#createTopology创建）
• 通过backtype.storm.StormSubmitter#submitTopology提交topology到集群。StormSubmitter需要的参数与LocalCluster`的参数一致：topology名、topology配置、topology对象。比如：

Config conf = new Config();
conf.setNumWorkers(20);
conf.setMaxSpoutPending(5000);
StormSubmitter.submitTopology("mytopology", conf, topology);

• 将自己的代码与依赖的代码打成jar包（除了storm自己的代码，storm自己的代码已经在classpath下了）。
  如果使用的是Mava，可以使用Maven Assembly Plugin打包，在pom.xml中加入如下代码：

<plugin>
  <artifactId>maven-assembly-pluginartifactId>
  <configuration>
    <descriptorRefs>  
      <descriptorRef>jar-with-dependenciesdescriptorRef>
    descriptorRefs>
    <archive>
      <manifest>
        <mainClass>com.path.to.main.ClassmainClass>
      manifest>
    archive>
  configuration>
plugin>

• 使用storm客户端将topology提交到集群，需要指定jar包路径、类名、以及提交到main方法的参数列表：

./bin/storm jar path/to/allmycode.jar org.me.MyTopology arg1 arg2 arg3

• 可以使用storm kill命令停止一个topology：

./bin/storm kill topologyName

数据流

数据流是Storm核心定义的抽象概念，由无限制的tuple组成的序列，tuple包含一个或多个键值对列表，可以包含java自带的类型或者自定义的可序列化的类型。

每个数据流可以在定义时通过backtype.storm.topology.OutputFieldsDeclarer的declareStream方法指定id。默认的id是“default”（直接使用declare将使用默认id）。

在上面的topology图中，每个蓝色、绿色、红色的条带是一个数据流，每个数据流内部由tuple组成。

spout

spout是topology中数据流的数据入口，充当数据采集器功能，通常spout从外部数据源读取数据，将数据转化为tuple，然后将它们发送到topology中。spout可以是可靠的或不可靠的。可靠的spout能够保证在storm处理tuple出现异常情况下，能够重新发送该tuple，而不可靠的spout不再处理已发送的tuple。

spout通过backtype.storm.topology.OutputFieldsDeclarer的declareStream方法定义数据流，通过backtype.storm.spout.SpoutOutputCollector的emit方法发送tream。

backtype.storm.spout.ISpout#nextTuple方法是spout的主要方法，可以发送用于发送新的tuple，或直接return（不需要发送新的tuple时，可以直接return）。

当Storm检测到由某一spout发送的tuple成功处理后，将调用backtype.storm.spout.ISpout#ack方法；当调用失败，将调用backtype.storm.spout.ISpout#fail方法。具体可以查看后面的可靠性。

bolt

在topology中所有操作都是在bolt中执行的，它可以进行过滤、计算、连接、聚合、数据库读写，以及其他操作。可以将一个或多个spout作为输入，对数据进行运算后，选择性的输出一个或多个数据流。一个bolt可以做一些简单的数据变换，复杂的数据处理需要多个步骤或多个bolt。

bolt可以订阅一个或多个spout或bolt的数据，通过backtype.storm.topology.OutputFieldsDeclarer#declareStream方法定义输出的数据流，通过backtype.storm.topology.BasicOutputCollector#emit方法提交数据。

bolt通过backtype.storm.topology.InputDeclarer类的shuffleGrouping方法指定需要订阅的数据流，比如：declarer.shuffleGrouping("1", "stream_id")，同时InputDeclarer也提供了接收所有数据流的语法糖，比如：declarer.shuffleGrouping("1")，相当于declarer.shuffleGrouping("1", DEFAULT_STREAM_ID)。这个地方有点乱，简单的说，bolt B前面有一个spout A或bolt A，从A中发送一个id为a_id的数据流，如果B向只订阅id为a_id的数据流，就使用第一个方法，如果可以接收所有id类型的数据流，就用第二个方法。

该类型中主要执行的方法是cn.howardliu.demo.storm.kafka.wordCount.SentenceBolt#execute，用来获取新的tuple，并进行处理。同样使用backtype.storm.topology.BasicOutputCollector#emit方法发送新的tuple。bolt可以调用backtype.storm.task.OutputCollector#ack方法来通知Storm该tuple已经处理完成。

数据流分组

定义topology的很重要的一部分就是定义数据流数据流应该发送到那些bolt中。数据流分组就是将数据流进行分组，按需要进入不同的bolt中。可以使用Storm提供的分组规则，也可以实现backtype.storm.grouping.CustomStreamGrouping自定义分组规则。Storm定义了8种内置的数据流分组方法：

1. Shuffle grouping（随机分组）：随机分发tuple给bolt的各个task，每个bolt实例接收到相同数量的tuple；
2. Fields grouping（按字段分组）：根据指定字段的值进行分组。比如，一个数据流按照”user-id”分组，所有具有相同”user-id”的tuple将被路由到同一bolt的task中，不同”user-id”可能路由到不同bolt的task中；
3. Partial Key grouping（部分key分组）：数据流根据field进行分组，类似于按字段分组，但是将在两个下游bolt之间进行均衡负载，当资源发生倾斜的时候能够更有效率的使用资源。The Power of Both Choices: Practical Load
   Balancing for Distributed Stream Processing Engines提供了更加详细的说明；
4. All grouping（全复制分组）：将所有tuple复制后分发给所有bolt的task。小心使用。
5. Global grouping（全局分组）：将所有的tuple路由到唯一一个task上。Storm按照最小的task ID来选取接收数据的task；（注意，当时用全局分组是，设置bolt的task并发是没有意义的，因为所有tuple都转发到一个task上。同时需要注意的是，所有tuple转发到一个jvm实例上，可能会引起storm集群某个jvm或服务器出现性能瓶颈或崩溃）
6. None grouping（不分组）：这种分组方式指明不需要关心分组方式。实际上，不分组功能与随机分组相同。预留功能。
7. Direct grouping（指向型分组）：数据源会调用emitDirect来判断一个tuple应该由哪个storm组件接收，只能在声明了指向型的数据流上使用。
8. Local or shuffle grouping（本地或随机分组）：当同一个worker进程中有目标bolt，将把数据发送到这些bolt中。否则，功能将与随机分组相同。该方法取决与topology的并发度，本地或随机分组可以减少网络传输，降低IO，提高topology性能。

可靠行

storm可以保证每一个spout发出的tuple能够被完整处理，通过跟踪tuple树上的每个tuple，检查是否被成功处理。每个topology有一个超时时间，如果storm检查到某个tuple已经超时，将重新发送该tuple。为了使用这种特性，需要定义tuple的起点，以及tuple被成功处理。更多内容查看Guaranteeing message processing。

task

task是spout和bolt的实例，他们的nextTuple()和execute()方法会被executors线程调用执行。根据数据流分组来确定如何从某个task中的tuple发送到其他的task。

worker

topology运行在一个或多个worker进程上，worker是jvm虚拟机，运行topology所有task的一部分。比如，topology的并发是300，有50个worker，那每个worker就有6个task。Storm会平衡所有worker的task数量。通过Config.TOPOLOGY_WORKERS来设置topology的worker数量。