Kafka+Storm+HDFS整合实践

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：

1	192.168.4.142   h1

2	192.168.4.143   h2

3	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：

1	cd /usr/local/

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

3	tar xvzf kafka_2.9.2-0.8.1.1.tgz

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

5	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	broker.id=0

2	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	cd /usr/local/zookeeper

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

2	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：

1	cd /usr/local/

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

3	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：

1	broker.id=1  # 在h1修改

2

3	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：

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

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

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

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

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

6	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：

1	Partition： 分区

2	Leader   ： 负责读写指定分区的节点

3	Replicas ： 复制该分区log的节点列表

4	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：

1	192.168.4.142   h1

2	192.168.4.143   h2

3	192.168.4.144   h3

首先，在h1节点上，执行如下命令安装：

1	cd /usr/local/

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

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

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

5	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：

01	storm.zookeeper.servers:

02

- "h1"

03

- "h2"

04

- "h3"

05	storm.zookeeper.port: 2181

06

#

07	nimbus.host: "h1"

08

09	supervisor.slots.ports:

10

- 6700

11

- 6701

12

- 6702

13

- 6703

14

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

将配置好的安装文件，分发到其他节点上：

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

2	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：

1	cd /usr/local/

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

3	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	bin/storm nimbus &

2	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：

01	<dependency>

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

03	<artifactId>storm-core</artifactId>

04	<version>0.9.2-incubating</version>

05	<scope>provided</scope>

06	</dependency>

07	<dependency>

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

09	<artifactId>storm-kafka</artifactId>

10	<version>0.9.2-incubating</version>

11	</dependency>

12	<dependency>

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

14	<artifactId>kafka_2.9.2</artifactId>

15	<version>0.8.1.1</version>

16	<exclusions>

17	<exclusion>

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

19	<artifactId>zookeeper</artifactId>

20	</exclusion>

21	<exclusion>

22	<groupId>log4j</groupId>

23	<artifactId>log4j</artifactId>

24	</exclusion>

25	</exclusions>

26	</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：

001	package org.shirdrn.storm.examples;

002

003	import java.util.Arrays;

004	import java.util.HashMap;

005	import java.util.Iterator;

006	import java.util.Map;

007	import java.util.Map.Entry;

008	import java.util.concurrent.atomic.AtomicInteger;

009

010	import org.apache.commons.logging.Log;

011	import org.apache.commons.logging.LogFactory;

012

013	import storm.kafka.BrokerHosts;

014	import storm.kafka.KafkaSpout;

015	import storm.kafka.SpoutConfig;

016	import storm.kafka.StringScheme;

017	import storm.kafka.ZkHosts;

018	import backtype.storm.Config;

019	import backtype.storm.LocalCluster;

020	import backtype.storm.StormSubmitter;

021	import backtype.storm.generated.AlreadyAliveException;

022	import backtype.storm.generated.InvalidTopologyException;

023	import backtype.storm.spout.SchemeAsMultiScheme;

024	import backtype.storm.task.OutputCollector;

025	import backtype.storm.task.TopologyContext;

026	import backtype.storm.topology.OutputFieldsDeclarer;

027	import backtype.storm.topology.TopologyBuilder;

028	import backtype.storm.topology.base.BaseRichBolt;

029	import backtype.storm.tuple.Fields;

030	import backtype.storm.tuple.Tuple;

031	import backtype.storm.tuple.Values;

032

033	public classMyKafkaTopology {

034

035	publicstatic class KafkaWordSplitter extends BaseRichBolt {

036

037	privatestatic final Log LOG = LogFactory.getLog(KafkaWordSplitter.class);

038	privatestatic final long serialVersionUID = 886149197481637894L;

039	privateOutputCollector collector;

040

041

@Override

042	publicvoid prepare(Map stormConf, TopologyContext context,

043	OutputCollector collector) {

044	this.collector = collector;

045

}

046

047

@Override

048	publicvoid execute(Tuple input) {

049	String line = input.getString(0);

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

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

052	for(String word : words) {

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

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

055

}

056	collector.ack(input);

057

}

058

059

@Override

060	publicvoid declareOutputFields(OutputFieldsDeclarer declarer) {

061	declarer.declare(newFields("word","count"));

062

}

063

064

}

065

066	publicstatic class WordCounter extends BaseRichBolt {

067

068	privatestatic final Log LOG = LogFactory.getLog(WordCounter.class);

069	privatestatic final long serialVersionUID = 886149197481637894L;

070	privateOutputCollector collector;

071	privateMap<String, AtomicInteger> counterMap;

072

073

@Override

074	publicvoid prepare(Map stormConf, TopologyContext context,

075	OutputCollector collector) {

076	this.collector = collector;

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

078

}

079

080

@Override

081	publicvoid execute(Tuple input) {

082	String word = input.getString(0);

083	intcount = input.getInteger(1);

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

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

086	if(ai ==null) {

087	ai =new AtomicInteger();

088	this.counterMap.put(word, ai);

089

}

090	ai.addAndGet(count);

091	collector.ack(input);

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

093

}

094

095

@Override

096	publicvoid cleanup() {

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

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

099	while(iter.hasNext()) {

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

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

102

}

103

104

}

105

106

@Override

107	publicvoid declareOutputFields(OutputFieldsDeclarer declarer) {

108	declarer.declare(newFields("word","count"));

109

}

110

}

111

112	publicstatic void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

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

114	String topic ="my-replicated-topic5";

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

116	String id ="word";

117

118	BrokerHosts brokerHosts =new ZkHosts(zks);

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

120	spoutConf.scheme =new SchemeAsMultiScheme(newStringScheme());

121	spoutConf.forceFromStart =false;

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

123	spoutConf.zkPort =2181;

124

125	TopologyBuilder builder =new TopologyBuilder();

126	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

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

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

129

130	Config conf =new Config();

131

132	String name = MyKafkaTopology.class.getSimpleName();

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

134	// Nimbus host name passed from command line

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

136	conf.setNumWorkers(3);

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

138

} else {

139	conf.setMaxTaskParallelism(3);

140	LocalCluster cluster =new LocalCluster();

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

142	Thread.sleep(60000);

143	cluster.shutdown();

144

}

145

}

146

}

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：

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

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

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

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

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

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

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

8	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：

001	package org.shirdrn.storm.examples;

002

003	import java.text.DateFormat;

004	import java.text.SimpleDateFormat;

005	import java.util.Date;

006	import java.util.Map;

007	import java.util.Random;

008

009	import org.apache.commons.logging.Log;

010	import org.apache.commons.logging.LogFactory;

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

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

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

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

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

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

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

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

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

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

021

022	import backtype.storm.Config;

023	import backtype.storm.LocalCluster;

024	import backtype.storm.StormSubmitter;

025	import backtype.storm.generated.AlreadyAliveException;

026	import backtype.storm.generated.InvalidTopologyException;

027	import backtype.storm.spout.SpoutOutputCollector;

028	import backtype.storm.task.TopologyContext;

029	import backtype.storm.topology.OutputFieldsDeclarer;

030	import backtype.storm.topology.TopologyBuilder;

031	import backtype.storm.topology.base.BaseRichSpout;

032	import backtype.storm.tuple.Fields;

033	import backtype.storm.tuple.Values;

034	import backtype.storm.utils.Utils;

035

036	public classStormToHDFSTopology {

037

038	publicstatic class EventSpout extends BaseRichSpout {

039

040	privatestatic final Log LOG = LogFactory.getLog(EventSpout.class);

041	privatestatic final long serialVersionUID = 886149197481637894L;

042	privateSpoutOutputCollector collector;

043	privateRandom rand;

044	privateString[] records;

045

046

@Override

047	publicvoid open(Map conf, TopologyContext context,

048	SpoutOutputCollector collector) {

049	this.collector = collector;

050	rand =new Random();

051	records =new String[] {

052	"10001     ef2da82d4c8b49c44199655dc14f39f6     4.2.1     HUAWEI G610-U00     HUAWEI     2     70:72:3c:73:8b:22     2014-10-13 12:36:35",

053	"10001     ffb52739a29348a67952e47c12da54ef     4.3     GT-I9300     samsung     2     50:CC:F8:E4:22:E2     2014-10-13 12:36:02",

054	"10001     ef2da82d4c8b49c44199655dc14f39f6     4.2.1     HUAWEI G610-U00     HUAWEI     2     70:72:3c:73:8b:22     2014-10-13 12:36:35"

055

};

056

}

057

058

059

@Override

060	publicvoid nextTuple() {

061	Utils.sleep(1000);

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

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

064	String minute = df.format(d);

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

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

067	collector.emit(newValues(minute, record));

068

}

069

070

@Override

071	publicvoid declareOutputFields(OutputFieldsDeclarer declarer) {

072	declarer.declare(newFields("minute","record"));

073

}

074

075

076

}

077

078	publicstatic void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

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

080	RecordFormat format =new DelimitedRecordFormat()

081	.withFieldDelimiter(" : ");

082

083	// sync the filesystem after every 1k tuples

084	SyncPolicy syncPolicy =new CountSyncPolicy(1000);

085

086	// rotate files

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

088

089	FileNameFormat fileNameFormat =new DefaultFileNameFormat()

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

091

092	HdfsBolt hdfsBolt =new HdfsBolt()

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

094	.withFileNameFormat(fileNameFormat)

095	.withRecordFormat(format)

096	.withRotationPolicy(rotationPolicy)

097	.withSyncPolicy(syncPolicy);

098

099	TopologyBuilder builder =new TopologyBuilder();

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

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

102

103	Config conf =new Config();

104

105	String name = StormToHDFSTopology.class.getSimpleName();

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

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

108	conf.setNumWorkers(3);

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

110

} else {

111	conf.setMaxTaskParallelism(3);

112	LocalCluster cluster =new LocalCluster();

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

114	Thread.sleep(60000);

115	cluster.shutdown();

116

}

117

}

118

119

}

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：

01

<plugin>

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

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

04	<version>1.4</version>

05	<configuration>

06	<createDependencyReducedPom>true</createDependencyReducedPom>

07	</configuration>

08	<executions>

09	<execution>

10	<phase>package</phase>

11

<goals>

12	<goal>shade</goal>

13

</goals>

14	<configuration>

15	<transformers>

16	<transformer

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

18	<transformer

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

20	<mainClass></mainClass>

21	</transformer>

22	</transformers>

23	</configuration>

24	</execution>

25	</executions>

26

</plugin>

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：

001	package org.shirdrn.storm.examples;

002

003	import java.util.Arrays;

004	import java.util.Map;

005

006	import org.apache.commons.logging.Log;

007	import org.apache.commons.logging.LogFactory;

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

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

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

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

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

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

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

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

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

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

018

019	import storm.kafka.BrokerHosts;

020	import storm.kafka.KafkaSpout;

021	import storm.kafka.SpoutConfig;

022	import storm.kafka.StringScheme;

023	import storm.kafka.ZkHosts;

024	import backtype.storm.Config;

025	import backtype.storm.LocalCluster;

026	import backtype.storm.StormSubmitter;

027	import backtype.storm.generated.AlreadyAliveException;

028	import backtype.storm.generated.InvalidTopologyException;

029	import backtype.storm.spout.SchemeAsMultiScheme;

030	import backtype.storm.task.OutputCollector;

031	import backtype.storm.task.TopologyContext;

032	import backtype.storm.topology.OutputFieldsDeclarer;

033	import backtype.storm.topology.TopologyBuilder;

034	import backtype.storm.topology.base.BaseRichBolt;

035	import backtype.storm.tuple.Fields;

036	import backtype.storm.tuple.Tuple;

037	import backtype.storm.tuple.Values;

038

039	public classDistributeWordTopology {

040

041	publicstatic class KafkaWordToUpperCase extends BaseRichBolt {

042

043	privatestatic final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class);

044	privatestatic final long serialVersionUID = -5207232012035109026L;

045	privateOutputCollector collector;

046

047

@Override

048	publicvoid prepare(Map stormConf, TopologyContext context,

049	OutputCollector collector) {

050	this.collector = collector;

051

}

052

053

@Override

054	publicvoid execute(Tuple input) {

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

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

057	if(!line.isEmpty()) {

058	String upperLine = line.toUpperCase();

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

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

061

}

062	collector.ack(input);

063

}

064

065

@Override

066	publicvoid declareOutputFields(OutputFieldsDeclarer declarer) {

067	declarer.declare(newFields("line","len"));

068

}

069

070

}

071

072	publicstatic class RealtimeBolt extends BaseRichBolt {

073

074	privatestatic final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class);

075	privatestatic final long serialVersionUID = -4115132557403913367L;

076	privateOutputCollector collector;

077

078

@Override

079	publicvoid prepare(Map stormConf, TopologyContext context,

080	OutputCollector collector) {

081	this.collector = collector;

082

}

083

084

@Override

085	publicvoid execute(Tuple input) {

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

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

088	collector.ack(input);

089

}

090

091

@Override

092	publicvoid declareOutputFields(OutputFieldsDeclarer declarer) {

093

094

}

095

096

}

097

098	publicstatic void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException {

099

100	// Configure Kafka

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

102	String topic ="my-replicated-topic5";

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

104	String id ="word";

105	BrokerHosts brokerHosts =new ZkHosts(zks);

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

107	spoutConf.scheme =new SchemeAsMultiScheme(newStringScheme());

108	spoutConf.forceFromStart =false;

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

110	spoutConf.zkPort =2181;

111

112	// Configure HDFS bolt

113	RecordFormat format =new DelimitedRecordFormat()

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

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

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

117	FileNameFormat fileNameFormat =new DefaultFileNameFormat()

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

119	HdfsBolt hdfsBolt =new HdfsBolt()

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

121	.withFileNameFormat(fileNameFormat)

122	.withRecordFormat(format)

123	.withRotationPolicy(rotationPolicy)

124	.withSyncPolicy(syncPolicy);

125

126	// configure & build topology

127	TopologyBuilder builder =new TopologyBuilder();

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

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

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

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

132

133	// submit topology

134	Config conf =new Config();

135	String name = DistributeWordTopology.class.getSimpleName();

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

137	String nimbus = args[0];

138	conf.put(Config.NIMBUS_HOST, nimbus);

139	conf.setNumWorkers(3);

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

141

} else {

142	conf.setMaxTaskParallelism(3);

143	LocalCluster cluster =new LocalCluster();

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

145	Thread.sleep(60000);

146	cluster.shutdown();

147

}

148

}

149

150

}

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。

参考链接

• http://kafka.apache.org/
• http://kafka.apache.org/documentation.html
• https://cwiki.apache.org/confluence/display/KAFKA/Consumer+Group+Example
• http://storm.apache.org/
• http://storm.apache.org/documentation/Tutorial.html
• http://storm.apache.org/documentation/FAQ.html
• https://github.com/ptgoetz/storm-hdfs