【流式计算】Twitter Storm: DRPC简介

作者: xumingming | 可以转载, 但必须以超链接形式标明文章原始出处和作者信息及版权声明
网址: http://xumingming.sinaapp.com/756/twitter-storm-drpc/

本文翻译自：https://github.com/nathanmarz/storm/wiki/Distributed-RPC。

Storm里面引入DRPC主要是利用storm的实时计算能力来并行化CPU intensive的计算。DRPC的storm topology以函数的参数流作为输入，而把这些函数调用的返回值作为topology的输出流。

DRPC其实不能算是storm本身的一个特性，它是通过组合storm的原语spout，bolt， topology而成的一种模式(pattern)。本来应该把DRPC单独打成一个包的，但是DRPC实在是太有用了，所以我们我们把它和storm捆绑在一起。

概览

Distributed RPC是由一个”DPRC Server”协调的(storm自带了一个实现)。DRPC服务器协调1) 接收一个RPC请求。2) 发送请求到storm topology 3) 从storm topology接收结果。4) 把结果发回给等待的客户端。从客户端的角度来看一个DRPC调用跟一个普通的RPC调用没有任何区别。比如下面是客户端如何调用RPC： reach方法的,方法的参数是: http://twitter.com。

 
         DRPCClient client =  
         new 
         DRPCClient( 
         "drpc-host" 
         ,  
         3772 
         ); 
        
 
         String result = client.execute( 
         "reach" 
         , 
        
 
                                     
         "http://twitter.com" 
         ); 
        

DRPC的工作流大致是这样的:

客户端给DRPC服务器发送要执行的方法的名字，以及这个方法的参数。实现了这个函数的topology使用DRPCSpout从DRPC服务器接收函数调用流。每个函数调用被DRPC服务器标记了一个唯一的id。这个topology然后计算结果，在topology的最后一个叫做ReturnResults的bolt会连接到DRPC服务器，并且把这个调用的结果发送给DRPC服务器(通过那个唯一的id标识)。DRPC服务器用那个唯一id来跟等待的客户端匹配上，唤醒这个客户端并且把结果发送给它。

LinearDRPCTopologyBuilder

Storm自带了一个称作LinearDRPCTopologyBuilder的topology builder, 它把实现DRPC的几乎所有步骤都自动化了。这些步骤包括:

设置spout
把结果返回给DRPC服务器
给bolt提供有限聚合几组tuples的能力

让我们看一个简单的例子。下面是一个把输入参数后面添加一个”!”的DRPC topology的实现:

 
         public 
          static 
         class 
         ExclaimBolt  
         implements 
         IBasicBolt { 
        
         public 
         void 
         prepare(Map conf, TopologyContext context) { 
        
         } 
        
         public 
         void 
         execute(Tuple tuple, BasicOutputCollector collector) { 
        
         String input = tuple.getString( 
         1 
         ); 
        
         collector.emit( 
         new 
         Values(tuple.getValue( 
         0 
         ), input +  
         "!" 
         )); 
        
         } 
        
         public 
         void 
         cleanup() { 
        
         } 
        
         public 
         void 
         declareOutputFields(OutputFieldsDeclarer declarer) { 
        
         declarer.declare( 
         new 
         Fields( 
         "id" 
         ,  
         "result" 
         )); 
        
         } 
        
         } 
        
         public 
          static 
         void 
         main(String[] args)  
         throws 
         Exception { 
        
         LinearDRPCTopologyBuilder builder 
        
         =  
         new 
         LinearDRPCTopologyBuilder( 
         "exclamation" 
         ); 
        
         builder.addBolt( 
         new 
         ExclaimBolt(),  
         3 
         ); 
        
         // ... 
        
         }

可以看出来，我们需要做的事情非常的少。创建LinearDRPCTopologyBuilder的时候，你需要告诉它你要实现的DRPC函数的名字。一个DRPC服务器可以协调很多函数，函数与函数之间靠函数名字来区分。你声明的第一个bolt会接收两维tuple，tuple的第一个field是request-id，第二个field是这个请求的参数。LinearDRPCTopologyBuilder同时要求我们topology的最后一个bolt发射一个二维tuple：第一个field是request-id，第二个field是这个函数的结果。最后所有中间tuple的第一个field必须是request-id。

在这里例子里面ExclaimBolt 简单地在输入tuple的第二个field后面再添加一个”!”，其余的事情都由LinearDRPCTopologyBuilder帮我们搞定：链接到DRPC服务器，并且把结果发回。

本地模式DRPC

DRPC可以以本地模式运行。下面就是以本地模式运行上面例子的代码:

 
         LocalDRPC drpc =  
         new 
         LocalDRPC(); 
        
         LocalCluster cluster =  
         new 
         LocalCluster(); 
        
         cluster.submitTopology( 
        
         "drpc-demo" 
         , 
        
         conf, 
        
         builder.createLocalTopology(drpc) 
        
         ); 
        
         System.out.println( 
         "Results for 'hello':" 
        
         + drpc.execute( 
         "exclamation" 
         ,  
         "hello" 
         )); 
        
         cluster.shutdown(); 
        
         drpc.shutdown();

首先你创建一个LocalDRPC对象。这个对象在进程内模拟一个DRPC服务器，跟LocalClusterLinearTopologyBuilder有单独的方法来创建本地的topology和远程的topology。在本地模式里面LocalDRPC对象不和任何端口绑定，所以我们的topology对象需要知道和谁交互。这就是为什么createLocalTopology方法接受一个LocalDRPC对象作为输入的原因。

把topology启动了之后，你就可以通过调用LocalDRPC对象的execute来调用RPC方法了。

远程模式DRPC

在一个真是集群上面DRPC也是非常简单的，有三个步骤:

启动DRPC服务器
配置DRPC服务器的地址
提交DRPC topology到storm集群里面去。

我们可以通过下面的storm脚本命令来启动DRPC服务器:

1	`bin` `/storm` `drpc`

接着，你需要让你的storm集群知道你的DRPC服务器在哪里。DRPCSpout需要这个地址从而可以从DRPC服务器来接收函数调用。这个可以配置在storm.yaml或者通过代码的方式配置在topology里面。通过storm.yaml配置是这样的:

 
         drpc.servers: 
        
         - "drpc1.foo.com" 
        
         - "drpc2.foo.com"

最后，你通过StormSubmitter对象来提交DRPC topology — 跟你提交其它topology没有区别。如果要以远程的方式运行上面的例子，用下面的代码:

 
         StormSubmitter.submitTopology( 
        
         "exclamation-drpc" 
         , 
        
         conf, 
        
         builder.createRemoteTopology() 
        
         );

我们用createRemoteTopology方法来创建运行在真实集群上的DRPC topology。

一个更复杂的例子

上面的DRPC例子只是为了介绍DRPC概念的一个简单的例子。下面让我们看一个复杂的、确实需要storm的并行计算能力的例子, 这个例子计算twitter上面一个url的reach值。

首先介绍一下什么是reach值，要计算一个URL的reach值，我们需要:

获取所有微薄里面包含这个URL的人
获取这些人的粉丝
把这些粉丝去重
获取这些去重之后的粉丝个数 — 这就是reach

一个简单的reach计算可能会有成千上万个数据库调用，并且可能设计到百万数量级的微薄用户。这个确实可以说是CPU intensive的计算了。你会看到的是，在storm上面来实现这个是非常非常的简单。在单台机器上面，一个reach计算可能需要花费几分钟。而在一个storm集群里面，即时是最男的URL，也只需要几秒。

一个reach topolgoy的例子可以在这里找到(storm-starter)。reach topology是这样定义的:

 
         LinearDRPCTopologyBuilder builder 
        
 
              
         =  
         new 
         LinearDRPCTopologyBuilder( 
         "reach" 
         ); 
        
 
         builder.addBolt( 
         new 
         GetTweeters(),  
         3 
         ); 
        
 
         builder.addBolt( 
         new 
         GetFollowers(),  
         12 
         ) 
        
 
                  
         .shuffleGrouping(); 
        
 
         builder.addBolt( 
         new 
         PartialUniquer(),  
         6 
         ) 
        
 
                  
         .fieldsGrouping( 
         new 
         Fields( 
         "id" 
         ,  
         "follower" 
         )); 
        
 
         builder.addBolt( 
         new 
         CountAggregator(),  
         2 
         ) 
        
 
                  
         .fieldsGrouping( 
         new 
         Fields( 
         "id" 
         )); 
        

这个topology分四步执行:

GetTweeters获取所发微薄里面包含制定URL的所有用户。它接收输入流: [id, url], 它输出:[id, tweeter]. 没一个URL tuple会对应到很多tweetertuple。
GetFollowers 获取这些tweeter的粉丝。它接收输入流: [id, tweeter], 它输出: [id, follower]
PartialUniquer 通过粉丝的id来group粉丝。这使得相同的分析会被引导到统一个task。因此不同的task接收到的粉丝是不同的 — 从而起到去重的作用。它的输出流：[id, count] 即输出这个task上统计的粉丝个数。
最后，CountAggregator 接收到所有的局部数量，把它们加起来就算出了我们要的reach值。

我们来看一下PartialUniquer的实现:

 
         public 
          static 
         class 
         PartialUniquer 
        
         implements 
         IRichBolt, FinishedCallback { 
        
         OutputCollector _collector; 
        
         Map<Object, Set<String>> _sets 
        
         =  
         new 
         HashMap<Object, Set<String>>(); 
        
         public 
         void 
         prepare(Map conf, 
        
         TopologyContext context, 
        
         OutputCollector collector) { 
        
         _collector = collector; 
        
         } 
        
         public 
         void 
         execute(Tuple tuple) { 
        
         Object id = tuple.getValue( 
         0 
         ); 
        
         Set<String> curr = _sets.get(id); 
        
         if 
         (curr== 
         null 
         ) { 
        
         curr =  
         new 
         HashSet<String>(); 
        
         _sets.put(id, curr); 
        
         } 
        
         curr.add(tuple.getString( 
         1 
         )); 
        
         _collector.ack(tuple); 
        
         } 
        
         public 
         void 
         cleanup() { 
        
         } 
        
         public 
         void 
         finishedId(Object id) { 
        
         Set<String> curr = _sets.remove(id); 
        
         int 
         count; 
        
         if 
         (curr!= 
         null 
         ) { 
        
         count = curr.size(); 
        
         }  
         else 
         { 
        
         count =  
         0 
         ; 
        
         } 
        
         _collector.emit( 
         new 
         Values(id, count)); 
        
         } 
        
         public 
         void 
         declareOutputFields(OutputFieldsDeclarer declarer) { 
        
         declarer.declare( 
         new 
         Fields( 
         "id" 
         ,  
         "partial-count" 
         )); 
        
         } 
        
         }

当PartialUniquer在execute方法里面接收到一个粉丝tuple的时候，它把这个tuple添加到当前request-id对应的Set里面去。

PartialUniquer同时也实现了FinishedCallback接口, 实现这个接口是告诉 LinearDRPCTopologyBuilder 它想在接收到某个request-id的所有tuple之后得到通知，回调函数则是,code>finishedId方法。在这个回调函数里面PartialUniquer发射当前这个request-id在这个task上的粉丝数量。

在这个简单接口的背后，我们是使用CoordinatedBolt来检测什么时候一个bolt接收到某个request的所有的tuple的。CoordinatedBolt是利用direct stream来实现这种协调的。

这个topology的其余部分就非常的明了了。我们可以看到的是reach计算的每个步骤都是并行计算出来的，而且实现这个DRPC的topology是那么的简单。

非线性DRPC Topology

LinearDRPCTopologyBuilder只能搞定"线性"的DRPC topology。所谓的线性就是说你的计算过程是一步接着一步，串联。我们不难想象还有其它的可能 -- 并联（回想一下初中物理里面学的并联电路吧), 现在你如果想解决这种这种并联的case的话，那么你需要自己去使用CoordinatedBolt来处理所有的事情了。如果真的有这种use case的话，在mailing list上大家讨论一下吧。

LinearDRPCTopologyBuilder的工作原理

DRPCSpout发射tuple: [args, return-info]。 return-info包含DRPC服务器的主机地址，端口以及当前请求的request-id
DRPC Topology包含以下元素：
- DRPCSpout
- PrepareRequest(生成request-id, return info以及args)
- CoordinatedBolt
- JoinResult -- 组合结果和return info
- ReturnResult -- 连接到DRPC服务器并且返回结果
LinearDRPCTopologyBuilder是利用storm的原语来构建高层抽象的很好的例子。