分组类MyFirstStreamGrouping
public class MyFirstStreamGrouping implements CustomStreamGrouping {
private static Logger log = LoggerFactory.getLogger(MyFirstStreamGrouping.class);
private List<Integer> tasks;
@Override
public void prepare(WorkerTopologyContext context, GlobalStreamId stream,
List<Integer> targetTasks) {
//targetTasks就是在Storm运行时,当前有几个目标Task可以选择,每一个都给编上了数字编号
this.tasks = targetTasks;
log.info(tasks.toString());
}
//返回值是List .在提供的 'List targetTasks' Task中选择任意的几个(必须至少是一个)Task来处理数据。
@Override
public List<Integer> chooseTasks(int taskId, List<Object> values) {
log.info(values.toString());
return Arrays.asList(tasks.get(0));
}
}
测试代码
TopologyBuilder builder = new TopologyBuilder();
builder.setSpout("words", new TestWordSpout(), 2);
//自定义分组,
builder.setBolt("exclaim1", new DefaultStringBolt(), 3)
.customGrouping("words", new MyFirstStreamGrouping())
storm源码
public interface CustomStreamGrouping extends Serializable {
void prepare(WorkerTopologyContext context, GlobalStreamId stream, List<Integer> targetTasks);
List<Integer> chooseTasks(int taskId, List<Object> values);
}
Hadoop 分组
Hadoop MapReduce的Map完成后会把Map的中间结果写入磁盘,在写磁盘前,线程首先根据数据最终要传送到的Reducer把数据划分成相应的分区,然后不同的分区进入不同的Reduce。我们先来看看Hadoop是怎样把数据怎样分组的,这是Partitioner唯一一个方法:
public class Partitioner<K, V> {
@Override
public int getPartition(K key, V value, int numReduceTasks) {
return 0;
}
}
上面的代码中:Map输出的数据都会经过getPartition()方法,用来确定下一步的分组。numReduceTasks是一个Job的Reduce数量,而返回值就是确定该条数据进入哪个Reduce。返回值必须大于等于0,小于numReduceTasks,否则就会报错。返回0就意味着这条数据进入第一个Reduce。对于随机分组来说,这个方法可以这么实现:
public int getPartition(K key, V value, int numReduceTasks) {
return hash(key) % numReduceTasks;
}
其实Hadoop 默认的Hash分组策略也正是这么实现的。这样好处是,数据在整个集群基本上是负载平衡的。Storm和Hadoop不同的是,Storm允许一条数据被多个Task处理.