Kafka+Storm+HDFS整合实践

最新推荐文章于 2024-01-28 14:32:57 发布

花样的尘埃

最新推荐文章于 2024-01-28 14:32:57 发布

阅读量326

点赞数

分类专栏： Hadoop整合Kafka+Storm+HDF

本文链接：https://blog.csdn.net/Alsyuan/article/details/82590077

版权

Hadoop整合Kafka+Storm+HDF 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

在基于Hadoop平台的很多应用场景中，我们需要对数据进行离线和实时分析，离线分析可以很容易地借助于Hive来实现统计分析，但是对于实时的需求Hive就不合适了。实时应用场景可以使用Storm，它是一个实时处理系统，它为实时处理类应用提供了一个计算模型，可以很容易地进行编程处理。为了统一离线和实时计算，一般情况下，我们都希望将离线和实时计算的数据源的集合统一起来作为输入，然后将数据的流向分别经由实时系统和离线分析系统，分别进行分析处理，这时我们可以考虑将数据源（如使用Flume收集日志）直接连接一个消息中间件，如Kafka，可以整合Flume+Kafka，Flume作为消息的Producer，生产的消息数据（日志数据、业务请求数据等等）发布到Kafka中，然后通过订阅的方式，使用Storm的Topology作为消息的Consumer，在Storm集群中分别进行如下两个需求场景的处理：

直接使用Storm的Topology对数据进行实时分析处理
整合Storm+HDFS，将消息处理后写入HDFS进行离线分析处理

实时处理，只要开发满足业务需要的Topology即可，不做过多说明。这里，我们主要从安装配置Kafka、Storm，以及整合Kafka+Storm、整合Storm+HDFS、整合Kafka+Storm+HDFS这几点来配置实践，满足上面提出的一些需求。配置实践使用的软件包如下所示：

zookeeper-3.4.5.tar.gz
kafka_2.9.2-0.8.1.1.tgz
apache-storm-0.9.2-incubating.tar.gz
hadoop-2.2.0.tar.gz

程序配置运行所基于的操作系统为CentOS 5.11。

Kafka安装配置

我们使用3台机器搭建Kafka集群：

192.168.4.142 h1

192.168.4.143 h2

192.168.4.144 h3

在安装Kafka集群之前，这里没有使用Kafka自带的Zookeeper，而是独立安装了一个Zookeeper集群，也是使用这3台机器，保证Zookeeper集群正常运行。
首先，在h1上准备Kafka安装文件，执行如下命令：

cd /usr/local/

wget http://mirror.bit.edu.cn/apache/kafka/0.8.1.1/kafka_2.9.2-0.8.1.1.tgz

tar xvzf kafka_2.9.2-0.8.1.1.tgz

ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka

chown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka

修改配置文件/usr/local/kafka/config/server.properties，修改如下内容：

1 2	`broker.id=0` `zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka`

这里需要说明的是，默认Kafka会使用ZooKeeper默认的/路径，这样有关Kafka的ZooKeeper配置就会散落在根路径下面，如果你有其他的应用也在使用ZooKeeper集群，查看ZooKeeper中数据可能会不直观，所以强烈建议指定一个chroot路径，直接在zookeeper.connect配置项中指定：

1	`zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka`

而且，需要手动在ZooKeeper中创建路径/kafka，使用如下命令连接到任意一台ZooKeeper服务器：

1 2	`cd` `/usr/local/zookeeper` `bin/zkCli.sh`

在ZooKeeper执行如下命令创建chroot路径：

1	`create /kafka ''`

这样，每次连接Kafka集群的时候（使用--zookeeper选项），也必须使用带chroot路径的连接字符串，后面会看到。
然后，将配置好的安装文件同步到其他的h2、h3节点上：

1 2	`scp` `-r` `/usr/local/kafka_2.9.2-0.8.1.1/ h2:/usr/local/` `scp` `-r` `/usr/local/kafka_2.9.2-0.8.1.1/ h3:/usr/local/`

最后，在h2、h3节点上配置，执行如下命令：

cd /usr/local/

ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka

chown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka

并修改配置文件/usr/local/kafka/config/server.properties内容如下所示：

broker.id=1 # 在h1修改

broker.id=2 # 在h2修改

因为Kafka集群需要保证各个Broker的id在整个集群中必须唯一，需要调整这个配置项的值（如果在单机上，可以通过建立多个Broker进程来模拟分布式的Kafka集群，也需要Broker的id唯一，还需要修改一些配置目录的信息）。
在集群中的h1、h2、h3这三个节点上分别启动Kafka，分别执行如下命令：

1	`bin/kafka-server-start.sh` `/usr/local/kafka/config/server.properties &`

可以通过查看日志，或者检查进程状态，保证Kafka集群启动成功。
我们创建一个名称为my-replicated-topic5的Topic，5个分区，并且复制因子为3，执行如下命令：

1	`bin/kafka-topics.sh --create --zookeeper h1:2181,h2:2181,h3:2181/kafka` `--replication-factor 3 --partitions 5 --topic my-replicated-topic5`

查看创建的Topic，执行如下命令：

1	`bin/kafka-topics.sh --describe --zookeeper h1:2181,h2:2181,h3:2181/kafka` `--topic my-replicated-topic5`

结果信息如下所示：

Topic:my-replicated-topic5 PartitionCount:5 ReplicationFactor:3 Configs:

Topic: my-replicated-topic5 Partition: 0 Leader: 0 Replicas: 0,2,1 Isr: 0,2,1

Topic: my-replicated-topic5 Partition: 1 Leader: 0 Replicas: 1,0,2 Isr: 0,2,1

Topic: my-replicated-topic5 Partition: 2 Leader: 2 Replicas: 2,1,0 Isr: 2,0,1

Topic: my-replicated-topic5 Partition: 3 Leader: 0 Replicas: 0,1,2 Isr: 0,2,1

Topic: my-replicated-topic5 Partition: 4 Leader: 2 Replicas: 1,2,0 Isr: 2,0,1

上面Leader、Replicas、Isr的含义如下：

Partition：分区

Leader ：负责读写指定分区的节点

Replicas ：复制该分区log的节点列表

Isr ： "in-sync" replicas，当前活跃的副本列表（是一个子集），并且可能成为Leader

我们可以通过Kafka自带的bin/kafka-console-producer.sh和bin/kafka-console-consumer.sh脚本，来验证演示如果发布消息、消费消息。
在一个终端，启动Producer，并向我们上面创建的名称为my-replicated-topic5的Topic中生产消息，执行如下脚本：

1	`bin/kafka-console-producer.sh --broker-list h1:9092,h2:9092,h3:9092 --topic my-replicated-topic5`

在另一个终端，启动Consumer，并订阅我们上面创建的名称为my-replicated-topic5的Topic中生产的消息，执行如下脚本：

1	`bin/kafka-console-consumer.sh --zookeeper h1:2181,h2:2181,h3:2181/kafka` `--from-beginning --topic my-replicated-topic5`

可以在Producer终端上输入字符串消息行，然后回车，就可以在Consumer终端上看到消费者消费的消息内容。
也可以参考Kafka的Producer和Consumer的Java API，通过API编码的方式来实现消息生产和消费的处理逻辑。

Storm安装配置

Storm集群也依赖Zookeeper集群，要保证Zookeeper集群正常运行。Storm的安装配置比较简单，我们仍然使用下面3台机器搭建：

192.168.4.142 h1

192.168.4.143 h2

192.168.4.144 h3

首先，在h1节点上，执行如下命令安装：

cd /usr/local/

wget http://mirror.bit.edu.cn/apache/incubator/storm/apache-storm-0.9.2-incubating/apache-storm-0.9.2-incubating.tar.gz

tar xvzf apache-storm-0.9.2-incubating.tar.gz

ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm

chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm

然后，修改配置文件conf/storm.yaml，内容如下所示：

storm.zookeeper.servers:

- "h1"

- "h2"

- "h3"

storm.zookeeper.port: 2181

#

nimbus.host: "h1"

supervisor.slots.ports:

- 6700

- 6701

- 6702

- 6703

storm.local.dir: "/tmp/storm"

将配置好的安装文件，分发到其他节点上：

1 2	`scp` `-r` `/usr/local/apache-storm-0.9.2-incubating/ h2:/usr/local/` `scp` `-r` `/usr/local/apache-storm-0.9.2-incubating/ h3:/usr/local/`

最后，在h2、h3节点上配置，执行如下命令：

cd /usr/local/

ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm

chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm

Storm集群的主节点为Nimbus，从节点为Supervisor，我们需要在h1上启动Nimbus服务，在从节点h2、h3上启动Supervisor服务：

1 2	`bin/storm` `nimbus &` `bin/storm` `supervisor &`

为了方便监控，可以启动Storm UI，可以从Web页面上监控Storm Topology的运行状态，例如在h2上启动：

1	`bin/storm` `ui &`

这样可以通过访问http://h2:8080/来查看Topology的运行状况。

整合Kafka+Storm

消息通过各种方式进入到Kafka消息中间件，比如可以通过使用Flume来收集日志数据，然后在Kafka中路由暂存，然后再由实时计算程序Storm做实时分析，这时我们就需要将在Storm的Spout中读取Kafka中的消息，然后交由具体的Spot组件去分析处理。实际上，apache-storm-0.9.2-incubating这个版本的Storm已经自带了一个集成Kafka的外部插件程序storm-kafka，可以直接使用，例如我使用的Maven依赖配置，如下所示：

<dependency>

<groupId>org.apache.storm</groupId>

<artifactId>storm-core</artifactId>

<version>0.9.2-incubating</version>

<scope>provided</scope>

</dependency>

<dependency>

<groupId>org.apache.storm</groupId>

<artifactId>storm-kafka</artifactId>

<version>0.9.2-incubating</version>

</dependency>

<dependency>

<groupId>org.apache.kafka</groupId>

<artifactId>kafka_2.9.2</artifactId>

<version>0.8.1.1</version>

<exclusions>

<exclusion>

<groupId>org.apache.zookeeper</groupId>

<artifactId>zookeeper</artifactId>

</exclusion>

<exclusion>

<groupId>log4j</groupId>

<artifactId>log4j</artifactId>

</exclusion>

</exclusions>

</dependency>

下面，我们开发了一个简单WordCount示例程序，从Kafka读取订阅的消息行，通过空格拆分出单个单词，然后再做词频统计计算，实现的Topology的代码，如下所示：

package org.shirdrn.storm.examples;

import java.util.Arrays;

import java.util.HashMap;

import java.util.Iterator;

import java.util.Map;

import java.util.Map.Entry;

import java.util.concurrent.atomic.AtomicInteger;

import org.apache.commons.logging.Log;

import org.apache.commons.logging.LogFactory;

import storm.kafka.BrokerHosts;

import storm.kafka.KafkaSpout;

import storm.kafka.SpoutConfig;

import storm.kafka.StringScheme;

import storm.kafka.ZkHosts;

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.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.TopologyBuilder;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

public class MyKafkaTopology {

public static class KafkaWordSplitter extends BaseRichBolt {

private static final Log LOG = LogFactory.getLog(KafkaWordSplitter.class);

private static final long serialVersionUID = 886149197481637894L;

private OutputCollector collector;

@Override

public void prepare(Map stormConf, TopologyContext context,

OutputCollector collector) {

this.collector = collector;

}

@Override

public void execute(Tuple input) {

String line = input.getString(0);

LOG.info("RECV[kafka -> splitter] " + line);

String[] words = line.split("\\s+");

for(String word : words) {

LOG.info("EMIT[splitter -> counter] " + word);

collector.emit(input, new Values(word, 1));

}

collector.ack(input);

}

@Override

public void declareOutputFields(OutputFieldsDeclarer declarer) {

declarer.declare(new Fields("word", "count"));

}

public static class WordCounter extends BaseRichBolt {

private static final Log LOG = LogFactory.getLog(WordCounter.class);

private static final long serialVersionUID = 886149197481637894L;

private OutputCollector collector;

private Map<String, AtomicInteger> counterMap;

@Override

public void prepare(Map stormConf, TopologyContext context,

OutputCollector collector) {

this.collector = collector;

this.counterMap = new HashMap<String, AtomicInteger>();

}

@Override

public void execute(Tuple input) {

String word = input.getString(0);

int count = input.getInteger(1);

LOG.info("RECV[splitter -> counter] " + word + " : " + count);

AtomicInteger ai = this.counterMap.get(word);

if(ai == null) {

ai = new AtomicInteger();

this.counterMap.put(word, ai);

}

ai.addAndGet(count);

collector.ack(input);

LOG.info("CHECK statistics map: " + this.counterMap);

}

@Override

public void cleanup() {

LOG.info("The final result:");

Iterator<Entry<String, AtomicInteger>> iter = this.counterMap.entrySet().iterator();

while(iter.hasNext()) {

Entry<String, AtomicInteger> entry = iter.next();

LOG.info(entry.getKey() + "\t:\t" + entry.getValue().get());

}

@Override

public void declareOutputFields(OutputFieldsDeclarer declarer) {

declarer.declare(new Fields("word", "count"));

}

public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

String zks = "h1:2181,h2:2181,h3:2181";

String topic = "my-replicated-topic5";

String zkRoot = "/storm"; // default zookeeper root configuration for storm

String id = "word";

BrokerHosts brokerHosts = new ZkHosts(zks);

SpoutConfig spoutConf = new SpoutConfig(brokerHosts, topic, zkRoot, id);

spoutConf.scheme = new SchemeAsMultiScheme(new StringScheme());

spoutConf.forceFromStart = false;

spoutConf.zkServers = Arrays.asList(new String[] {"h1", "h2", "h3"});

spoutConf.zkPort = 2181;

TopologyBuilder builder = new TopologyBuilder();

builder.setSpout("kafka-reader", new KafkaSpout(spoutConf), 5); // Kafka我们创建了一个5分区的Topic，这里并行度设置为5

builder.setBolt("word-splitter", new KafkaWordSplitter(), 2).shuffleGrouping("kafka-reader");

builder.setBolt("word-counter", new WordCounter()).fieldsGrouping("word-splitter", new Fields("word"));

Config conf = new Config();

String name = MyKafkaTopology.class.getSimpleName();

if (args != null && args.length > 0) {

// Nimbus host name passed from command line

conf.put(Config.NIMBUS_HOST, args[0]);

conf.setNumWorkers(3);

StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());

} else {

conf.setMaxTaskParallelism(3);

LocalCluster cluster = new LocalCluster();

cluster.submitTopology(name, conf, builder.createTopology());

Thread.sleep(60000);

cluster.shutdown();

}

上面程序，在本地调试（使用LocalCluster）不需要输入任何参数，提交到实际集群中运行时，需要传递一个参数，该参数为Nimbus的主机名称。
通过Maven构建，生成一个包含依赖的single jar文件（不要把Storm的依赖包添加进去），例如storm-examples-0.0.1-SNAPSHOT.jar，在提交Topology程序到Storm集群之前，因为用到了Kafka，需要拷贝一下依赖jar文件到Storm集群中的lib目录下面：

cp /usr/local/kafka/libs/kafka_2.9.2-0.8.1.1.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/scala-library-2.9.2.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/metrics-core-2.2.0.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/snappy-java-1.0.5.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/zkclient-0.3.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/log4j-1.2.15.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/slf4j-api-1.7.2.jar /usr/local/storm/lib/

cp /usr/local/kafka/libs/jopt-simple-3.2.jar /usr/local/storm/lib/

然后，就可以提交我们开发的Topology程序了：

1	`bin/storm` `jar` `/home/storm/storm-examples-0.0.1-SNAPSHOT.jar org.shirdrn.storm.examples.MyKafkaTopology h1`

可以通过查看日志文件（logs/目录下）或者Storm UI来监控Topology的运行状况。如果程序没有错误，可以使用前面我们使用的Kafka Producer来生成消息，就能看到我们开发的Storm Topology能够实时接收到并进行处理。
上面Topology实现代码中，有一个很关键的配置对象SpoutConfig，配置属性如下所示：

1	`spoutConf.forceFromStart =` `false;`

该配置是指，如果该Topology因故障停止处理，下次正常运行时是否从Spout对应数据源Kafka中的该订阅Topic的起始位置开始读取，如果forceFromStart=true，则之前处理过的Tuple还要重新处理一遍，否则会从上次处理的位置继续处理，保证Kafka中的Topic数据不被重复处理，是在数据源的位置进行状态记录。

整合Storm+HDFS

Storm实时计算集群从Kafka消息中间件中消费消息，有实时处理需求的可以走实时处理程序，还有需要进行离线分析的需求，如写入到HDFS进行分析。下面实现了一个Topology，代码如下所示：

package org.shirdrn.storm.examples;

import java.text.DateFormat;

import java.text.SimpleDateFormat;

import java.util.Date;

import java.util.Map;

import java.util.Random;

import org.apache.commons.logging.Log;

import org.apache.commons.logging.LogFactory;

import org.apache.storm.hdfs.bolt.HdfsBolt;

import org.apache.storm.hdfs.bolt.format.DefaultFileNameFormat;

import org.apache.storm.hdfs.bolt.format.DelimitedRecordFormat;

import org.apache.storm.hdfs.bolt.format.FileNameFormat;

import org.apache.storm.hdfs.bolt.format.RecordFormat;

import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy;

import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy;

import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy.TimeUnit;

import org.apache.storm.hdfs.bolt.sync.CountSyncPolicy;

import org.apache.storm.hdfs.bolt.sync.SyncPolicy;

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.SpoutOutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.TopologyBuilder;

import backtype.storm.topology.base.BaseRichSpout;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Values;

import backtype.storm.utils.Utils;

public class StormToHDFSTopology {

public static class EventSpout extends BaseRichSpout {

private static final Log LOG = LogFactory.getLog(EventSpout.class);

private static final long serialVersionUID = 886149197481637894L;

private SpoutOutputCollector collector;

private Random rand;

private String[] records;

@Override

public void open(Map conf, TopologyContext context,

SpoutOutputCollector collector) {

this.collector = collector;

rand = new Random();

records = new String[] {

"10001 ef2da82d4c8b49c44199655dc14f39f6 4.2.1 HUAWEI G610-U00 HUAWEI 2 70:72:3c:73:8b:22 2014-10-13 12:36:35",

"10001 ffb52739a29348a67952e47c12da54ef 4.3 GT-I9300 samsung 2 50:CC:F8:E4:22:E2 2014-10-13 12:36:02",

"10001 ef2da82d4c8b49c44199655dc14f39f6 4.2.1 HUAWEI G610-U00 HUAWEI 2 70:72:3c:73:8b:22 2014-10-13 12:36:35"

};

}

@Override

public void nextTuple() {

Utils.sleep(1000);

DateFormat df = new SimpleDateFormat("yyyy-MM-dd_HH-mm-ss");

Date d = new Date(System.currentTimeMillis());

String minute = df.format(d);

String record = records[rand.nextInt(records.length)];

LOG.info("EMIT[spout -> hdfs] " + minute + " : " + record);

collector.emit(new Values(minute, record));

}

@Override

public void declareOutputFields(OutputFieldsDeclarer declarer) {

declarer.declare(new Fields("minute", "record"));

}

public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

// use "|" instead of "," for field delimiter

RecordFormat format = new DelimitedRecordFormat()

.withFieldDelimiter(" : ");

// sync the filesystem after every 1k tuples

SyncPolicy syncPolicy = new CountSyncPolicy(1000);

// rotate files

FileRotationPolicy rotationPolicy = new TimedRotationPolicy(1.0f, TimeUnit.MINUTES);

FileNameFormat fileNameFormat = new DefaultFileNameFormat()

.withPath("/storm/").withPrefix("app_").withExtension(".log");

HdfsBolt hdfsBolt = new HdfsBolt()

.withFsUrl("hdfs://h1:8020")

.withFileNameFormat(fileNameFormat)

.withRecordFormat(format)

.withRotationPolicy(rotationPolicy)

.withSyncPolicy(syncPolicy);

TopologyBuilder builder = new TopologyBuilder();

builder.setSpout("event-spout", new EventSpout(), 3);

builder.setBolt("hdfs-bolt", hdfsBolt, 2).fieldsGrouping("event-spout", new Fields("minute"));

Config conf = new Config();

String name = StormToHDFSTopology.class.getSimpleName();

if (args != null && args.length > 0) {

conf.put(Config.NIMBUS_HOST, args[0]);

conf.setNumWorkers(3);

StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());

} else {

conf.setMaxTaskParallelism(3);

LocalCluster cluster = new LocalCluster();

cluster.submitTopology(name, conf, builder.createTopology());

Thread.sleep(60000);

cluster.shutdown();

}

上面的处理逻辑，可以对HdfsBolt进行更加详细的配置，如FileNameFormat、SyncPolicy、FileRotationPolicy（可以设置在满足什么条件下，切出一个新的日志，如可以指定多长时间切出一个新的日志文件，可以指定一个日志文件大小达到设置值后，再写一个新日志文件），更多设置可以参考storm-hdfs，。
上面代码在打包的时候，需要注意，使用storm-starter自带的Maven打包配置，可能在将Topology部署运行的时候，会报错，可以使用maven-shade-plugin这个插件，如下配置所示：

<plugin>

<groupId>org.apache.maven.plugins</groupId>

<artifactId>maven-shade-plugin</artifactId>

<version>1.4</version>

<configuration>

<createDependencyReducedPom>true</createDependencyReducedPom>

</configuration>

<executions>

<execution>

<phase>package</phase>

<goals>

<goal>shade</goal>

</goals>

<configuration>

<transformers>

<transformer

implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/>

<transformer

implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer">

<mainClass></mainClass>

</transformer>

</transformers>

</configuration>

</execution>

</executions>

</plugin>

Hadoop整合Kafka+Storm+HDFS

上面分别对整合Kafka+Storm和Storm+HDFS做了实践，可以将后者的Spout改成前者的Spout，从Kafka中消费消息，在Storm中可以做简单处理，然后将数据写入HDFS，最后可以在Hadoop平台上对数据进行离线分析处理。下面，写了一个简单的例子，从Kafka消费消息，然后经由Storm处理，写入到HDFS存储，代码如下所示：

package org.shirdrn.storm.examples;

import java.util.Arrays;

import java.util.Map;

import org.apache.commons.logging.Log;

import org.apache.commons.logging.LogFactory;

import org.apache.storm.hdfs.bolt.HdfsBolt;

import org.apache.storm.hdfs.bolt.format.DefaultFileNameFormat;

import org.apache.storm.hdfs.bolt.format.DelimitedRecordFormat;

import org.apache.storm.hdfs.bolt.format.FileNameFormat;

import org.apache.storm.hdfs.bolt.format.RecordFormat;

import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy;

import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy;

import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy.TimeUnit;

import org.apache.storm.hdfs.bolt.sync.CountSyncPolicy;

import org.apache.storm.hdfs.bolt.sync.SyncPolicy;

import storm.kafka.BrokerHosts;

import storm.kafka.KafkaSpout;

import storm.kafka.SpoutConfig;

import storm.kafka.StringScheme;

import storm.kafka.ZkHosts;

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.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.TopologyBuilder;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

public class DistributeWordTopology {

public static class KafkaWordToUpperCase extends BaseRichBolt {

private static final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class);

private static final long serialVersionUID = -5207232012035109026L;

private OutputCollector collector;

@Override

public void prepare(Map stormConf, TopologyContext context,

OutputCollector collector) {

this.collector = collector;

}

@Override

public void execute(Tuple input) {

String line = input.getString(0).trim();

LOG.info("RECV[kafka -> splitter] " + line);

if(!line.isEmpty()) {

String upperLine = line.toUpperCase();

LOG.info("EMIT[splitter -> counter] " + upperLine);

collector.emit(input, new Values(upperLine, upperLine.length()));

}

collector.ack(input);

}

@Override

public void declareOutputFields(OutputFieldsDeclarer declarer) {

declarer.declare(new Fields("line", "len"));

}

public static class RealtimeBolt extends BaseRichBolt {

private static final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class);

private static final long serialVersionUID = -4115132557403913367L;

private OutputCollector collector;

@Override

public void prepare(Map stormConf, TopologyContext context,

OutputCollector collector) {

this.collector = collector;

}

@Override

public void execute(Tuple input) {

String line = input.getString(0).trim();

LOG.info("REALTIME: " + line);

collector.ack(input);

}

@Override

public void declareOutputFields(OutputFieldsDeclarer declarer) {

}

public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

// Configure Kafka

String zks = "h1:2181,h2:2181,h3:2181";

String topic = "my-replicated-topic5";

String zkRoot = "/storm"; // default zookeeper root configuration for storm

String id = "word";

BrokerHosts brokerHosts = new ZkHosts(zks);

SpoutConfig spoutConf = new SpoutConfig(brokerHosts, topic, zkRoot, id);

spoutConf.scheme = new SchemeAsMultiScheme(new StringScheme());

spoutConf.forceFromStart = false;

spoutConf.zkServers = Arrays.asList(new String[] {"h1", "h2", "h3"});

spoutConf.zkPort = 2181;

// Configure HDFS bolt

RecordFormat format = new DelimitedRecordFormat()

.withFieldDelimiter("\t"); // use "\t" instead of "," for field delimiter

SyncPolicy syncPolicy = new CountSyncPolicy(1000); // sync the filesystem after every 1k tuples

FileRotationPolicy rotationPolicy = new TimedRotationPolicy(1.0f, TimeUnit.MINUTES); // rotate files

FileNameFormat fileNameFormat = new DefaultFileNameFormat()

.withPath("/storm/").withPrefix("app_").withExtension(".log"); // set file name format

HdfsBolt hdfsBolt = new HdfsBolt()

.withFsUrl("hdfs://h1:8020")

.withFileNameFormat(fileNameFormat)

.withRecordFormat(format)

.withRotationPolicy(rotationPolicy)

.withSyncPolicy(syncPolicy);

// configure & build topology

TopologyBuilder builder = new TopologyBuilder();

builder.setSpout("kafka-reader", new KafkaSpout(spoutConf), 5);

builder.setBolt("to-upper", new KafkaWordToUpperCase(), 3).shuffleGrouping("kafka-reader");

builder.setBolt("hdfs-bolt", hdfsBolt, 2).shuffleGrouping("to-upper");

builder.setBolt("realtime", new RealtimeBolt(), 2).shuffleGrouping("to-upper");

// submit topology

Config conf = new Config();

String name = DistributeWordTopology.class.getSimpleName();

if (args != null && args.length > 0) {

String nimbus = args[0];

conf.put(Config.NIMBUS_HOST, nimbus);

conf.setNumWorkers(3);

StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology());

} else {

conf.setMaxTaskParallelism(3);

LocalCluster cluster = new LocalCluster();

cluster.submitTopology(name, conf, builder.createTopology());

Thread.sleep(60000);

cluster.shutdown();

}

上面代码中，名称为to-upper的Bolt将接收到的字符串行转换成大写以后，会将处理过的数据向后面的hdfs-bolt、realtime这两个Bolt各发一份拷贝，然后由这两个Bolt分别根据实际需要（实时/离线）单独处理。
打包后，在Storm集群上部署并运行这个Topology：

1	`bin/storm` `jar ~/storm-examples-0.0.1-SNAPSHOT.jar org.shirdrn.storm.examples.DistributeWordTopology h1`

可以通过Storm UI查看Topology运行情况，可以查看HDFS上生成的数据。

花样的尘埃

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录