Storm trident之三聚合运算之persistentAggregate

Storm trident聚合运算之persistentAggregate

persistentAggregate可以看成是对源源不断发送过来数据流做一个总的聚合，每个批次的聚合值只是一个中间状态，通过与trident新提出的state概念结合，实现中间状态的持久化，同时支持事务性。persistentAggregate不能使用Aggregator，只能使用CombinerAggregator或者ReducerAggregator。聚合运算完成后将运算结果emit给后续的Bolt处理

比如：

TridentTopology topology = new TridentTopology();

topology.newStream("filter", new WordSpout()).parallelismHint(1).shuffle()
    .each(new Fields("field1", "field2"), new WordFilter()).parallelismHint(4).shuffle()
    .each(new Fields("field1", "field2"), new WordFunction(), new Fields("field3")).parallelismHint(4).shuffle()
    .persistentAggregate(new MyState.MyFactory(), new Fields("field3"), new Doing(), new Fields("field4")).newValuesStream().shuffle()
    .each(new Fields("field4"), new CountFilter(), new Fields("field5")).parallelismHint(4);

具体介绍一下persistentAggregate的定义。

public TridentState persistentAggregate(StateFactory stateFactory, Fields inputFields, CombinerAggregator agg, Fields functionFields) {
        return persistentAggregate(new StateSpec(stateFactory), inputFields, agg, functionFields);
}

重点看看persistentAggregate方法所需的参数。

StateFactory stateFactory,要求一个实现org.apache.storm.trident.state.StateFactory接口的对象。该接口比较简单，只有一个方法

State makeState(Map conf, IMetricsContext metrics, int partitionIndex, int numPartitions);

Map conf：启动topology时的配置信息。
IMetricsContext metrics：监控指标统计对象
int partitionIndex：分区下标
int numPartitions：分区数

返回类型要求一个实现org.apache.storm.trident.state.State接口对象。该接口有2个方法

public interface State {
    void beginCommit(Long txid); // can be null for things like partitionPersist occuring off a DRPC stream
    void commit(Long txid);
}

主要用来支持事务性。

persistentAggregate方法的第二个参数很简单，一个org.apache.storm.tuple.Fields对象，用来指定前一步操作emit出的Fields。

persistentAggregate方法的第三个参数用来指定具体执行聚合运算的对象，也就要求实现CombinerAggregator或者ReducerAggregator的对象。

import org.apache.storm.trident.operation.CombinerAggregator;
import org.apache.storm.trident.tuple.TridentTuple;

public class Doing implements CombinerAggregator{


    @Override
    public Long init(TridentTuple tuple) {
        return 1L;
    }

    @Override
    public Long combine(Long val1, Long val2) {
        return val1 * val2;
    }

    @Override
    public Long zero() {
        return 0L;
    }

}

init：每条tuple调用1次，对tuple做预处理。

combine：每条tuple调用1次，和之前的聚合值(val1)做运算。如果是第一条tuple则和zero返回的值做运算。

zero：当没有数据流时的处理逻辑。

在每个batch结束时将最后运算得到的结果emi出去t。

persistentAggregate方法的第四个参数指定聚合运算完成后，emit给下一个bolt的Fields。

注意：实现State接口的对象还要实现Snapshottable接口。

package org.apache.storm.trident.state.snapshot;

import org.apache.storm.trident.state.ValueUpdater;


// used by Stream#persistentAggregate
public interface Snapshottable extends ReadOnlySnapshottable {
    T update(ValueUpdater updater);
    void set(T o);
}

通过调用update方法的参数ValueUpdater updater，最终会调用CombinerAggregator接口实现对象的combine方法。

import java.util.Map;

import org.apache.storm.shade.com.google.common.collect.Maps;
import org.apache.storm.task.IMetricsContext;
import org.apache.storm.trident.state.State;
import org.apache.storm.trident.state.StateFactory;
import org.apache.storm.trident.state.ValueUpdater;
import org.apache.storm.trident.state.snapshot.Snapshottable;

public class MyState implements State,Snapshottable {
    
    private Map result = Maps.newConcurrentMap();
    
    @Override
    public void beginCommit(Long txid) {
    }

    @Override
    public void commit(Long txid) {
    }
    
    @Override
    public Long get() {
        return result.get("key");
    }

    @Override
    public Long update(ValueUpdater updater) {
        Long l =  (Long) updater.update(get());
        set(l);
        return l;
    }

    @Override
    public void set(Long o) {
        result.put("key", o);
    }
    
    public static class MyFactory implements StateFactory {

        @Override
        public State makeState(Map conf, IMetricsContext metrics, int partitionIndex, int numPartitions) {
            return new MyState();
        }
    }
}

假如spout发射3个batch，每个batch4条数据，则调用顺序如下:

第一个batch
CombinerAggregator.zero //当前数据流中没有数据，执行zero方法
CombinerAggregator.init //对当前batch中第一条数据执行初始化操作
CombinerAggregator.combine //对当前batch中第一条数据，执行combine方法，完成聚合运算。用之前步骤中zero的结果与前一步init的结果进行计算
CombinerAggregator.init //对当前batch中第二条数据执行初始化操作
CombinerAggregator.combine //对当前batch中第二条数据执行聚合运算。用前一步init的结果与前一次combine的结果进行计算。
CombinerAggregator.init //对当前batch中第三条数据执行初始化操作
CombinerAggregator.combine //对当前batch中第三条数据执行聚合运算。用前一步init的结果与前一次combine的结果进行计算。
CombinerAggregator.init //对当前batch中第四条数据执行初始化操作
CombinerAggregator.combine //对当前batch中第四条数据执行聚合运算。用前一步init的结果与前一次combine的结果进行计算。
CombinerAggregator.zero //当前数据流中没有数据，执行zero方法
CombinerAggregator.combine //用前一步zero方法的结果与前一次combine的结果进行计算。
State.update //回调State接口实现对象，将前一batch聚合结果与当前batch聚合结果进行计算,需要在State接口实现对象的update方法中保存最近全局聚合运算结果。

第二个batch
CombinerAggregator.zero
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.zero
CombinerAggregator.combine
State.update

第三个batch
CombinerAggregator.zero
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.init
CombinerAggregator.combine
CombinerAggregator.zero
CombinerAggregator.combine
State.update

更多的batch或每个batch有更多的数据时，规则相同