storm教程（六）：Storm 和kafka的集成
我们知道storm的作用主要是进行流式计算，对于源源不断的均匀数据流流入处理是非常有效的，而现实生活中大部分场景并不是均匀的数据流，而是时而多时而少的数据流入，这种情况下显然用批量处理是不合适的，如果使用storm做实时计算的话可能因为数据拥堵而导致服务器挂掉，应对这种情况，使用kafka作为消息队列是非常合适的选择，kafka可以将不均匀的数据转换成均匀的消息流，从而和storm比较完善的结合，这样才可以实现稳定的流式计算，那么我们接下来开发一个简单的案例来实现storm和kafka的结合
storm和kafka结合，实质上无非是之前我们说过的计算模式结合起来，就是数据先进入kafka生产者，然后storm作为消费者进行消费，最后将消费后的数据输出或者保存到文件、数据库、分布式存储等等，具体框图如下：
首先我们保证在服务器上zookeeper、kafka、storm正常运行，然后我们开始写程序，这里使用eclipse for javaee IDE
和之前一样，建立一个maven项目，在pom.xml写入如下代码：
1 <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 2 xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
<modelVersion>4.0.0modelVersion>
<groupId>kafkastormgroupId>
<artifactId>kafkastormartifactId>
<version>0.0.1-SNAPSHOTversion>
<packaging>jarpackaging>
<name>kafkastormname>
<url>http://maven.apache.orgurl>
<properties>
<project.build.sourceEncoding>UTF-8project.build.sourceEncoding>
properties>
<dependencies>
<dependency>
<groupId>junitgroupId>
<artifactId>junitartifactId>
<version>3.8.1version>
<scope>testscope>
dependency>
<dependency>
<groupId>org.apache.stormgroupId>
<artifactId>storm-coreartifactId>
<version>0.9.6version>
<scope>providedscope>
dependency>
<dependency>
<groupId>org.apache.kafkagroupId>
<artifactId>kafka_2.9.2artifactId>
<version>0.8.2.2version>
<exclusions>
<exclusion>
<groupId>org.apache.zookeepergroupId>
<artifactId>zookeeperartifactId>
exclusion>
<exclusion>
<groupId>log4jgroupId>
<artifactId>log4jartifactId>
exclusion>
exclusions>
dependency>
<dependency>
<groupId>org.apache.stormgroupId>
<artifactId>storm-kafkaartifactId>
<version>0.9.6version>
dependency>
dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-assembly-pluginartifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependenciesdescriptorRef>
descriptorRefs>
configuration>
<executions>
<execution>
<id>make-assemblyid>
<phase>packagephase>
<goals>
<goal>singlegoal>
goals>
execution>
executions>
plugin>
plugins>
build>
project> 主要是导入的zookeeper、storm、kafka外部依赖这些叠加起来，还有插件便于我们后续对程序进程maven的打包
和之前一样首先编写storm消费kafka的逻辑，MessageScheme类，代码如下：
package net.zengzhiying;
import java.io.UnsupportedEncodingException;
import java.util.List;
import backtype.storm.spout.Scheme;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Values;
public class MessageScheme implements Scheme {
public List逻辑很简单，就是对kafka出来的数据转换成字符串，接下来我们想办法来处理strom清洗之后的数据，我们为了简单就把输出保存到一个文件中，Bolt逻辑SenqueceBolt类的代码如下：
package net.zengzhiying;
import java.io.DataOutputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import backtype.storm.topology.BasicOutputCollector;
import backtype.storm.topology.OutputFieldsDeclarer;
import backtype.storm.topology.base.BaseBasicBolt;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Tuple;
import backtype.storm.tuple.Values;
public class SenqueceBolt extends BaseBasicBolt {
public void execute(Tuple arg0, BasicOutputCollector arg1) {
String word = (String) arg0.getValue(0);
String out = "output:" + word;
System.out.println(out);
//写文件
try {
DataOutputStream out_file = new DataOutputStream(new FileOutputStream("kafkastorm.out"));
out_file.writeUTF(out);
out_file.close();
} catch (FileNotFoundException e) {
// TODO Auto-generated catch block29
e.printStackTrace();
} catch (IOException e) {
// TODO Auto-generated catch block32
e.printStackTrace();
}
arg1.emit(new Values(out));
}
public void declareOutputFields(OutputFieldsDeclarer arg0) {
arg0.declare(new Fields("message"));
}
} 就是把输出的消息放到文件kafkastorm.out中
然后我们编写主类，也就是配置kafka提交topology到storm的代码，类名为StormKafkaTopo，代码如下：
package net.zengzhiying;
import java.util.HashMap;
import java.util.Map;
import backtype.storm.Config;
import backtype.storm.LocalCluster;
import backtype.storm.StormSubmitter;
import backtype.storm.generated.AlreadyAliveException;
import backtype.storm.generated.InvalidTopologyException;
import backtype.storm.spout.SchemeAsMultiScheme;
import backtype.storm.topology.TopologyBuilder;
import backtype.storm.utils.Utils;
import storm.kafka.BrokerHosts;
import storm.kafka.KafkaSpout;
import storm.kafka.SpoutConfig;
import storm.kafka.ZkHosts;
import storm.kafka.bolt.KafkaBolt;
public class StormKafkaTopo {
public static void main(String[] args) {
BrokerHosts brokerHosts = new ZkHosts("192.168.1.216:2181/kafka");
SpoutConfig spoutConfig = new SpoutConfig(brokerHosts, "topic1", "/kafka", "kafkaspout");
Config conf = new Config();
Map map = new HashMap();
map.put("metadata.broker.list", "192.168.1.216:9092");
map.put("serializer.class", "kafka.serializer.StringEncoder");
conf.put("kafka.broker.properties", map);32 conf.put("topic", "topic2");
spoutConfig.scheme = new SchemeAsMultiScheme(new MessageScheme());
TopologyBuilder builder = new TopologyBuilder();
builder.setSpout("spout", new KafkaSpout(spoutConfig));
builder.setBolt("bolt", new SenqueceBolt()).shuffleGrouping("spout");
builder.setBolt("kafkabolt", new KafkaBolt()).shuffleGrouping("bolt");
if(args != null && args.length > 0) {
//提交到集群运行
try {
StormSubmitter.submitTopology(args[0], conf, builder.createTopology());
} catch (AlreadyAliveException e) {
e.printStackTrace();
} catch (InvalidTopologyException e) {
e.printStackTrace();
}
} else {
//本地模式运行
LocalCluster cluster = new LocalCluster();
cluster.submitTopology("Topotest1121", conf, builder.createTopology());
Utils.sleep(1000000);
cluster.killTopology("Topotest1121");
cluster.shutdown();
}
}
} 注意上面代码的配置，和之前单独运行storm和kafka代码不太一样，配置也很简单，注意区别即可，如果细心的话会注意到这里建了两个topic一个是topic1，一个是topic2，topic1的含义kafka接收生产者过来的数据所需要的topic，topic2是KafkaBolt也就是storm中的bolt生成的topic，当然这里topic2这行配置可以省略，是没有任何问题的，类似于一个中转的东西，另外我们这次测试是上传到服务器执行，本地模式的代码没有执行到，当然原理是一样的
之前一般网上的教程到这里就完毕了，这样我们会引起一种没有生产者的误区，注意：上面3个类实现的功能是kafka消费者输出的数据被storm消费！生产者的代码可以看成独立的其他来源，可以写在其他项目中，根据数据源的情况来，下面我们为了示例，编写一个类来进行生产，代码和之前kafka单独的一样：
package net.zengzhiying;
import java.util.ArrayList;
import java.util.List;
import java.util.Properties;
import kafka.javaapi.producer.Producer;
import kafka.producer.KeyedMessage;
import kafka.producer.ProducerConfig;
public class DataProducerInsert {
private static Producer producer;
private final Properties props=new Properties();
public DataProducerInsert(){
//定义连接的broker list
props.put("metadata.broker.list", "192.168.1.216:9092");
//定义序列化类 Java中对象传输之前要序列化
props.put("serializer.class", "kafka.serializer.StringEncoder"); //props.put("advertised.host.name", "192.168.1.216");
producer = new Producer(new ProducerConfig(props));
}
public static void main(String[] args) {
DataProducerInsert sp=new DataProducerInsert();
//定义topic
String topic="topic1";
//开始时间统计
long startTime = System.currentTimeMillis();
//定义要发送给topic的消息
String messageStr = "This is a message";
List> datalist = new ArrayList>();
//构建消息对象
KeyedMessage data = new KeyedMessage(topic, messageStr); datalist.add(data);
//结束时间统计
long endTime = System.currentTimeMillis();
KeyedMessage data1 = new KeyedMessage(topic, "用时" + (endTime-startTime)/1000.0);
datalist.add(data1);
//推送消息到broker
producer.close();
}
} 注意，这里我们定义的topic是topic1，正好和前面的topic1数据源对应，是整个kafka保持一致的topic，也就是说kafka生产者topic和消费者topic是必须名称相同才可以响应，下面简单添加了一点时间统计的代码，也很简单
另外还要注意kafka配置文件host.name尽量改成ip，和之前说过的一样
到现在项目就编写完成了，然后我们使用maven命令对项目打包，首先得保证我们windows上安装好了maven，我们运行cmd，进入到当前项目目录下，执行命令： mvn assembly:assembly 进行打包，打包的前提就是之前pom.xml的所有配置，执行后maven会自动下载相应的依赖并完成打包，需要耐心等待一会：
看到如图所示的BUILD SUCCESS返回之后，那么打包就成功了，现在进入项目目录下的target目录中，会看到2个jar包
其中后面那个文件名较长的大小也比较大，是包含相关依赖的包，接下来我们将这个包上传到服务器，然后使用storm执行jar包将我们的topology上传到集群中运行，注意是使用storm执行jar包，而不是java
/usr/storm/apache-storm-0.9.6/bin/storm jar kafkastorm-0.0.1-SNAPSHOT-jar-with-dependencies.jar net.zengzhiying.StormKafkaTopo kafkagostorm
前面是storm的绝对路径，参数jar执行jar包，后面跟的是上传topology的主类，最后kafkagostorm是我们上传拓扑的名称
这里执行完之后会回到命令行，现在就在后台集群中开始分发运行了，这就是集群模式，之前我们讲的storm案例会不断滚动大量数据，那个属于本地模式，如果我们现在开启ui界面的话，那么访问我们的地址http://192.168.1.216:8080/可以看到正在运行的Topology
可以看到状态是active正在运行了，我们上面代码中kafkabolt创建了一个topic2的消息，我们现在可以测试一下，消费者这里只是简单地原样输出，我们进入kafka目录，执行下面命令：
bin/kafka-console-consumer.sh –zookeeper localhost:2181/kafka –topic topic2 –from-beginning
后面参数–from-beginning不添加也是可以的，添加包括旧信息，不添加就是新的输出
现在界面卡住，待会我们来观察输出，现在我们新开一个窗口，还是使用storm执行刚才的生产者类DataProducerInsert来生产一条消息，命令如下：
/usr/storm/apache-storm-0.9.6/bin/storm jar kafkastorm-0.0.1-SNAPSHOT-jar-with-dependencies.jar net.zengzhiying.DataProducerInsert
回车之后，等待界面滚动2s程序跑完之后，我们看到另一个窗口输出了消息：
然后，我们的输出文件在哪呢，刚才我们使用storm执行的生产者代码，所以输出的kafkastorm.out就在storm的安装目录下，我们使用cat或者vim都可以看到文件内容，如果有时间统计的话两行内容显示可能会有点问题，因为后续要进行简单的转换，去掉时间统计代码只输出消息的内容如下，这里使用vim打开的：
另外注意，上传拓扑时所有的代码都加载到集群了，所以修改代码版本时，一定要先在storm目录下执行 bin/storm kill topo_name 结束拓扑，修改代码后重新上传即可再次运行，否则可能会出现错误，在集群上的时候kafka配置文件的host.name注释即可，默认为localhost，最后代码中用到的参数比较多，很容易出错，所以写代码时还是要仔细点
这样storm集成kafka的测试案例就完成了，并且实现了一定的功能，只要我们灵活掌握了怎么写kafka和storm结合的整体拓扑结构，那么主要的代码就集中在数据源也就是kafka生产者的发送和storm消费后的存储问题，这所有的代码都是在storm和kafka给好的方法内写逻辑，而不用关心底层，这样使开发更加简单快捷，比如我们消费后的数据既可以写到文件、数据库还可以索引到solr，存到Hbase等，这样就可以灵活运用了；其实最关键的还是要了解这些框架底层的实现原理，这样遇到问题才可以知其然知其所以然