使用Storm实现实时大数据分析！
2012-12-24 16:54| 1236次阅读| 来源 Dr.Dobb's| 11| 作者 Shruthi Kumar、Siddharth Patankar
摘要：随着数据体积的越来越大，实时处理成为了许多机构需要面对的首要挑战。Shruthi Kumar和Siddharth Patankar在Dr.Dobb’s上结合了汽车超速监视，为我们演示了使用Storm进行实时大数据分析。CSDN在此编译、整理。
简单和明了，Storm让大数据分析变得轻松加愉快。
当今世界，公司的日常运营经常会生成TB级别的数据。数据来源囊括了互联网装置可以捕获的任何类型数据，网站、社交媒体、交易型商业数据以及其它商业环境中创建的数据。考虑到数据的生成量，实时处理成为了许多机构需要面对的首要挑战。我们经常用的一个非常有效的开源实时计算工具就是Storm —— Twiitter开发，通常被比作“实时的Hadoop”。然而Storm远比Hadoop来的简单，因为用它处理大数据不会带来新老技术的交替。
Shruthi Kumar、Siddharth Patankar共同效力于Infosys，分别从事技术分析和研发工作。本文详述了Storm的使用方法，例子中的项目名称为“超速报警系统（Speeding Alert System）”。我们想实现的功能是：实时分析过往车辆的数据，一旦车辆数据超过预设的临界值 —— 便触发一个trigger并把相关的数据存入数据库。
Storm
对比Hadoop的批处理，Storm是个实时的、分布式以及具备高容错的计算系统。同Hadoop一样Storm也可以处理大批量的数据，然而Storm在保证高可靠性的前提下还可以让处理进行的更加实时；也就是说，所有的信息都会被处理。Storm同样还具备容错和分布计算这些特性，这就让Storm可以扩展到不同的机器上进行大批量的数据处理。他同样还有以下的这些特性：
- 易于扩展。对于扩展，你只需要添加机器和改变对应的topology（拓扑）设置。Storm使用Hadoop Zookeeper进行集群协调，这样可以充分的保证大型集群的良好运行。
- 每条信息的处理都可以得到保证。
- Storm集群管理简易。
- Storm的容错机能：一旦topology递交，Storm会一直运行它直到topology被废除或者被关闭。而在执行中出现错误时，也会由Storm重新分配任务。
- 尽管通常使用Java，Storm中的topology可以用任何语言设计。
当然为了更好的理解文章，你首先需要安装和设置Storm。需要通过以下几个简单的步骤：
- 从Storm官方下载Storm安装文件
- 将bin/directory解压到你的PATH上，并保证bin/storm脚本是可执行的。
Storm组件
Storm集群主要由一个主节点和一群工作节点（worker node）组成，通过 Zookeeper进行协调。
主节点：
主节点通常运行一个后台程序 —— Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。这个很类似于Hadoop中的Job Tracker。
工作节点：
工作节点同样会运行一个后台程序 —— Supervisor，用于收听工作指派并基于要求运行工作进程。每个工作节点都是topology中一个子集的实现。而Nimbus和Supervisor之间的协调则通过Zookeeper系统或者集群。
Zookeeper
Zookeeper是完成Supervisor和Nimbus之间协调的服务。而应用程序实现实时的逻辑则被封装进Storm中的“topology”。topology则是一组由Spouts（数据源）和Bolts（数据操作）通过Stream Groupings进行连接的图。下面对出现的术语进行更深刻的解析。
Spout：
简而言之，Spout从来源处读取数据并放入topology。Spout分成可靠和不可靠两种；当Storm接收失败时，可靠的Spout会对tuple（元组，数据项组成的列表）进行重发；而不可靠的Spout不会考虑接收成功与否只发射一次。而Spout中最主要的方法就是nextTuple（），该方法会发射一个新的tuple到topology，如果没有新tuple发射则会简单的返回。
Bolt：
Topology中所有的处理都由Bolt完成。Bolt可以完成任何事，比如：连接的过滤、聚合、访问文件/数据库、等等。Bolt从Spout中接收数据并进行处理，如果遇到复杂流的处理也可能将tuple发送给另一个Bolt进行处理。而Bolt中最重要的方法是execute（），以新的tuple作为参数接收。不管是Spout还是Bolt，如果将tuple发射成多个流，这些流都可以通过declareStream（）来声明。
Stream Groupings：
Stream Grouping定义了一个流在Bolt任务间该如何被切分。这里有Storm提供的6个Stream Grouping类型：
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。明确地说，是分配给ID最小的那个task。
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。
当然还可以实现CustomStreamGroupimg接口来定制自己需要的分组。
项目实施
当下情况我们需要给Spout和Bolt设计一种能够处理大量数据（日志文件）的topology，当一个特定数据值超过预设的临界值时促发警报。使用Storm的topology，逐行读入日志文件并且监视输入数据。在Storm组件方面，Spout负责读入输入数据。它不仅从现有的文件中读入数据，同时还监视着新文件。文件一旦被修改Spout会读入新的版本并且覆盖之前的tuple（可以被Bolt读入的格式），将tuple发射给Bolt进行临界分析，这样就可以发现所有可能超临界的记录。
下一节将对用例进行详细介绍。
临界分析
这一节，将主要聚焦于临界值的两种分析类型：瞬间临界（instant thershold）和时间序列临界（time series threshold）。
- 瞬间临界值监测：一个字段的值在那个瞬间超过了预设的临界值，如果条件符合的话则触发一个trigger。举个例子当车辆超越80公里每小时，则触发trigger。
- 时间序列临界监测：字段的值在一个给定的时间段内超过了预设的临界值，如果条件符合则触发一个触发器。比如：在5分钟类，时速超过80KM两次及以上的车辆。
Listing One显示了我们将使用的一个类型日志，其中包含的车辆数据信息有：车牌号、车辆行驶的速度以及数据获取的位置。
AB 123 | 60 | North city |
BC 123 | 70 | South city |
CD 234 | 40 | South city |
DE 123 | 40 | East city |
EF 123 | 90 | South city |
GH 123 | 50 | West city |
这里将创建一个对应的XML文件，这将包含引入数据的模式。这个XML将用于日志文件的解析。XML的设计模式和对应的说明请见下表。
XML文件和日志文件都存放在Spout可以随时监测的目录下，用以关注文件的实时更新。而这个用例中的topology请见下图。
Figure 1：Storm中建立的topology，用以实现数据实时处理
如图所示：FilelistenerSpout接收输入日志并进行逐行的读入，接着将数据发射给ThresoldCalculatorBolt进行更深一步的临界值处理。一旦处理完成，被计算行的数据将发送给DBWriterBolt，然后由DBWriterBolt存入给数据库。下面将对这个过程的实现进行详细的解析。
Spout的实现
Spout以日志文件和XML描述文件作为接收对象。XML文件包含了与日志一致的设计模式。不妨设想一下一个示例日志文件，包含了车辆的车牌号、行驶速度、以及数据的捕获位置。（看下图）
Figure2：数据从日志文件到Spout的流程图
Listing Two显示了tuple对应的XML，其中指定了字段、将日志文件切割成字段的定界符以及字段的类型。XML文件以及数据都被保存到Spout指定的路径。
Listing Two：用以描述日志文件的XML文件。
1. <TUPLEINFO>
2. <FIELDLIST>
3. <FIELD>
4. <COLUMNNAME>vehicle_number</COLUMNNAME>
5. <COLUMNTYPE>string</COLUMNTYPE>
6. </FIELD>
7.
8. <FIELD>
9. <COLUMNNAME>speed</COLUMNNAME>
10. <COLUMNTYPE>int</COLUMNTYPE>
11. </FIELD>
12.
13. <FIELD>
14. <COLUMNNAME>location</COLUMNNAME>
15. <COLUMNTYPE>string</COLUMNTYPE>
16. </FIELD>
17. </FIELDLIST>
18. <DELIMITER>,</DELIMITER>
19. </TUPLEINFO>
通过构造函数及它的参数Directory、PathSpout和TupleInfo对象创建Spout对象。TupleInfo储存了日志文件的字段、定界符、字段的类型这些很必要的信息。这个对象通过XSTream序列化XML时建立。
Spout的实现步骤：
- 对文件的改变进行分开的监听，并监视目录下有无新日志文件添加。
- 在数据得到了字段的说明后，将其转换成tuple。
- 声明Spout和Bolt之间的分组，并决定tuple发送给Bolt的途径。
Spout的具体编码在Listing Three中显示。
Listing Three：Spout中open、nextTuple和delcareOutputFields方法的逻辑。
1. public void
2. {
3. _collector = collector;
4. try
5. {
6. new BufferedReader(new FileReader(new
7. }
8. catch
9. {
10. 1);
11. }
12. }
13.
14. public void
15. {
16. protected void
17. {
18. 2000);
19. null;
20. null;
21. try
22. {
23. while ((line = access.readLine()) != null)
24. {
25. if (line !=null)
26. {
27. null;
28. if (tupleInfo.getDelimiter().equals("|")) fields = line.split("\\"+tupleInfo.getDelimiter());
29. else
30. fields = line.split (tupleInfo.getDelimiter());
31. if (tupleInfo.getFieldList().size() == fields.length) _collector.emit(new
32. }
33. }
34. }
35. catch
36. }
37. }
38.
39. public void
40. {
41. new
42. for(int i=0; i<tupleInfo.getFieldList().size(); i++)
43. {
44. fieldsArr[i] = tupleInfo.getFieldList().get(i).getColumnName();
45. }
46. declarer.declare(new
47. }
declareOutputFileds（）决定了tuple发射的格式，这样的话Bolt就可以用类似的方法将tuple译码。Spout持续对日志文件的数据的变更进行监听，一旦有添加Spout就会进行读入并且发送给Bolt进行处理。
Bolt的实现
Spout的输出结果将给予Bolt进行更深一步的处理。经过对用例的思考，我们的topology中需要如Figure 3中的两个Bolt。
Figure 3：Spout到Bolt的数据流程。
ThresholdCalculatorBolt
Spout将tuple发出，由ThresholdCalculatorBolt接收并进行临界值处理。在这里，它将接收好几项输入进行检查；分别是：
临界值检查
- 临界值栏数检查（拆分成字段的数目）
- 临界值数据类型（拆分后字段的类型）
- 临界值出现的频数
- 临界值时间段检查
Listing Four中的类，定义用来保存这些值。
Listing Four:ThresholdInfo类
1. public class ThresholdInfo implementsSerializable
2.
3. {
4. private String action;
5. private String rule;
6. private Object thresholdValue;
7. private int thresholdColNumber;
8. private Integer timeWindow;
9. private int frequencyOfOccurence;
10. }
基于字段中提供的值，临界值检查将被Listing Five中的execute（）方法执行。代码大部分的功能是解析和接收值的检测。
Listing Five：临界值检测代码段
1. public void
2. {
3. if(tuple!=null)
4. {
5. List<Object> inputTupleList = (List<Object>) tuple.getValues();
6. int
7. Object thresholdValue = thresholdInfo.getThresholdValue();
8. 1).getColumnType();
9. Integer timeWindow = thresholdInfo.getTimeWindow();
10. int
11. if(thresholdDataType.equalsIgnoreCase("string"))
12. {
13. 1).toString();
14. String frequencyChkOp = thresholdInfo.getAction();
15. if(timeWindow!=null)
16. {
17. long
18. long diffInMinutes = (curTime-startTime)/(1000);
19. if(diffInMinutes>=timeWindow)
20. {
21. if(frequencyChkOp.equals("=="))
22. {
23. if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
24. {
25. count.incrementAndGet();
26. if(count.get() > frequency)
27. splitAndEmit(inputTupleList,collector);
28. }
29. }
30. else if(frequencyChkOp.equals("!="))
31. {
32. if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
33. {
34. count.incrementAndGet();
35. if(count.get() > frequency)
36. splitAndEmit(inputTupleList,collector);
37. }
38. }
39. else System.out.println("Operator not supported");
40. }
41. }
42. else
43. {
44. if(frequencyChkOp.equals("=="))
45. {
46. if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
47. {
48. count.incrementAndGet();
49. if(count.get() > frequency)
50. splitAndEmit(inputTupleList,collector);
51. }
52. }
53. else if(frequencyChkOp.equals("!="))
54. {
55. if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
56. {
57. count.incrementAndGet();
58. if(count.get() > frequency)
59. splitAndEmit(inputTupleList,collector);
60. }
61. }
62. }
63. }
64. else if(thresholdDataType.equalsIgnoreCase("int") || thresholdDataType.equalsIgnoreCase("double") || thresholdDataType.equalsIgnoreCase("float") || thresholdDataType.equalsIgnoreCase("long") || thresholdDataType.equalsIgnoreCase("short"))
65. {
66. String frequencyChkOp = thresholdInfo.getAction();
67. if(timeWindow!=null)
68. {
69. long valueToCheck = Long.parseLong(inputTupleList.get(thresholdColNum-1).toString());
70. long
71. long diffInMinutes = (curTime-startTime)/(1000);
72. "Difference in minutes="+diffInMinutes);
73. if(diffInMinutes>=timeWindow)
74. {
75. if(frequencyChkOp.equals("<"))
76. {
77. if(valueToCheck < Double.parseDouble(thresholdValue.toString()))
78. {
79. count.incrementAndGet();
80. if(count.get() > frequency)
81. splitAndEmit(inputTupleList,collector);
82. }
83. }
84. else if(frequencyChkOp.equals(">"))
85. {
86. if(valueToCheck > Double.parseDouble(thresholdValue.toString()))
87. {
88. count.incrementAndGet();
89. if(count.get() > frequency)
90. splitAndEmit(inputTupleList,collector);
91. }
92. }
93. else if(frequencyChkOp.equals("=="))
94. {
95. if(valueToCheck == Double.parseDouble(thresholdValue.toString()))
96. {
97. count.incrementAndGet();
98. if(count.get() > frequency)
99. splitAndEmit(inputTupleList,collector);
100. }
101. }
102. else if(frequencyChkOp.equals("!="))
103. {
104. . . .
105. }
106. }
107. }
108. else
109. null,collector);
110. }
111. else
112. {
113. "Emitting null in bolt");
114. null,collector);
115. }
116. }
经由Bolt发送的的tuple将会传递到下一个对应的Bolt，在我们的用例中是DBWriterBolt。
DBWriterBolt
经过处理的tuple必须被持久化以便于触发tigger或者更深层次的使用。DBWiterBolt做了这个持久化的工作并把tuple存入了数据库。表的建立由prepare（）函数完成，这也将是topology调用的第一个方法。方法的编码如Listing Six所示。
Listing Six：建表编码。
1. public void
2. {
3. try
4. {
5. Class.forName(dbClass);
6. }
7. catch
8. {
9. "Driver not found");
10. e.printStackTrace();
11. }
12.
13. try
14. {
15. connection driverManager.getConnection(
16. "jdbc:mysql://"+databaseIP+":"+databasePort+"/"+databaseName, userName, pwd);
17. "DROP TABLE IF EXISTS "+tableName).execute();
18.
19. new
20. "CREATE TABLE IF NOT EXISTS "+tableName+"(");
21. for(Field fields : tupleInfo.getFieldList())
22. {
23. if(fields.getColumnType().equalsIgnoreCase("String"))
24. " VARCHAR(500),");
25. else
26. " "+fields.getColumnType()+",");
27. }
28. "thresholdTimeStamp timestamp)");
29. connection.prepareStatement(createQuery.toString()).execute();
30.
31. // Insert Query
32. new StringBuilder("INSERT INTO "+tableName+"(");
33. new
34. for(Field fields : tupleInfo.getFieldList())
35. {
36. ",");
37. }
38. "thresholdTimeStamp").append(") values (");
39. for(Field fields : tupleInfo.getFieldList())
40. {
41. "?,");
42. }
43.
44. "?)");
45. prepStatement = connection.prepareStatement(insertQuery.toString());
46. }
47. catch
48. {
49. e.printStackTrace();
50. }
51. }
数据分批次的插入数据库。插入的逻辑由Listting Seven中的execute（）方法提供。大部分的编码都是用来实现可能存在不同类型输入的解析。
Listing Seven：数据插入的代码部分。
1. public void
2. {
3. false;
4. if(tuple!=null)
5. {
6. 60;Object> inputTupleList = (List<Object>) tuple.getValues();
7. int dbIndex=0;
8. for(int i=0;i<tupleInfo.getFieldList().size();i++)
9. {
10. Field field = tupleInfo.getFieldList().get(i);
11. try
12. 1;
13. if(field.getColumnType().equalsIgnoreCase("String"))
14. prepStatement.setString(dbIndex, inputTupleList.get(i).toString());
15. else if(field.getColumnType().equalsIgnoreCase("int"))
16. prepStatement.setInt(dbIndex,
17. Integer.parseInt(inputTupleList.get(i).toString()));
18. else if(field.getColumnType().equalsIgnoreCase("long"))
19. prepStatement.setLong(dbIndex,
20. Long.parseLong(inputTupleList.get(i).toString()));
21. else if(field.getColumnType().equalsIgnoreCase("float"))
22. prepStatement.setFloat(dbIndex,
23. Float.parseFloat(inputTupleList.get(i).toString()));
24. else if(field.getColumnType().equalsIgnoreCase("double"))
25. prepStatement.setDouble(dbIndex,
26. Double.parseDouble(inputTupleList.get(i).toString()));
27. else if(field.getColumnType().equalsIgnoreCase("short"))
28. prepStatement.setShort(dbIndex,
29. Short.parseShort(inputTupleList.get(i).toString()));
30. else if(field.getColumnType().equalsIgnoreCase("boolean"))
31. prepStatement.setBoolean(dbIndex,
32. Boolean.parseBoolean(inputTupleList.get(i).toString()));
33. else if(field.getColumnType().equalsIgnoreCase("byte"))
34. prepStatement.setByte(dbIndex,
35. Byte.parseByte(inputTupleList.get(i).toString()));
36. else if(field.getColumnType().equalsIgnoreCase("Date"))
37. {
38. null;
39. if (!(inputTupleList.get(i) instanceof
40. {
41. new SimpleDateFormat("yyyy-MM-dd hh:mm:ss");
42. try
43. {
44. dateToAdd = df.parse(inputTupleList.get(i).toString());
45. }
46. catch
47. {
48. "Data type not valid");
49. }
50. }
51. else
52. {
53. dateToAdd = (Date)inputTupleList.get(i);
54. new
55. prepStatement.setDate(dbIndex, sqlDate);
56. }
57. }
58. catch
59. {
60. e.printStackTrace();
61. }
62. }
63. new
64. try
65. {
66. 1, new
67. prepStatement.addBatch();
68. counter.incrementAndGet();
69. if
70. executeBatch();
71. }
72. catch
73. {
74. e1.printStackTrace();
75. }
76. }
77. else
78. {
79. long
80. long diffInSeconds = (curTime-startTime)/(60*1000);
81. if(counter.get()<batchSize && diffInSeconds>batchTimeWindowInSeconds)
82. {
83. try
84. executeBatch();
85. startTime = System.currentTimeMillis();
86. }
87. catch
88. e.printStackTrace();
89. }
90. }
91. }
92. }
93.
94. public void executeBatch() throws
95. {
96. true;
97. prepStatement.executeBatch();
98. new AtomicInteger(0);
99. }
一旦Spout和Bolt准备就绪（等待被执行），topology生成器将会建立topology并准备执行。下面就来看一下执行步骤。
在本地集群上运行和测试topology
- 通过TopologyBuilder建立topology。
- 使用Storm Submitter，将topology递交给集群。以topology的名字、配置和topology的对象作为参数。
- 提交topology。
Listing Eight：建立和执行topology。
1. public class
2. {
3. public static void main(String[] args) throws
4. InvalidTopologyException,
5. InterruptedException
6. {
7. new
8. new
9. new
10. new
11. "spout", parallelFileSpout, 1);
12. "thresholdBolt", thresholdBolt,1).shuffleGrouping("spout");
13. "dbWriterBolt",dbWriterBolt,1).shuffleGrouping("thresholdBolt");
14. if(this.argsMain!=null && this.argsMain.length > 0)
15. {
16. 1);
17. StormSubmitter.submitTopology(
18. this.argsMain[0], conf, builder.createTopology());
19. }
20. else
21. {
22. new
23. true);
24. 3);
25. new
26. cluster.submitTopology(
27. "Threshold_Test", conf, builder.createTopology());
28. }
29. }
30. }
topology被建立后将被提交到本地集群。一旦topology被提交，除非被取缔或者集群关闭，它将一直保持运行不需要做任何的修改。这也是Storm的另一大特色之一。
这个简单的例子体现了当你掌握了topology、spout和bolt的概念，将可以轻松的使用Storm进行实时处理。如果你既想处理大数据又不想遍历Hadoop的话，不难发现使用Storm将是个很好的选择。
