http://www.csdn.net/article/2012-12-24/2813117-storm-realtime-big-data-analysis
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 —— Twitter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。
- <TUPLEINFO>
- <FIELDLIST>
- <FIELD>
- <COLUMNNAME>vehicle_number</COLUMNNAME>
- <COLUMNTYPE>string</COLUMNTYPE>
- </FIELD>
- <FIELD>
- <COLUMNNAME>speed</COLUMNNAME>
- <COLUMNTYPE>int</COLUMNTYPE>
- </FIELD>
- <FIELD>
- <COLUMNNAME>location</COLUMNNAME>
- <COLUMNTYPE>string</COLUMNTYPE>
- </FIELD>
- </FIELDLIST>
- <DELIMITER>,</DELIMITER>
- </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。
- public void open( Map conf, TopologyContext context,SpoutOutputCollector collector )
- {
- _collector = collector;
- try
- {
- fileReader = new BufferedReader(new FileReader(new File(file)));
- }
- catch (FileNotFoundException e)
- {
- System.exit(1);
- }
- }
- public void nextTuple()
- {
- protected void ListenFile(File file)
- {
- Utils.sleep(2000);
- RandomAccessFile access = null;
- String line = null;
- try
- {
- while ((line = access.readLine()) != null)
- {
- if (line !=null)
- {
- String[] fields=null;
- if (tupleInfo.getDelimiter().equals("|")) fields = line.split("\\"+tupleInfo.getDelimiter());
- else
- fields = line.split (tupleInfo.getDelimiter());
- if (tupleInfo.getFieldList().size() == fields.length) _collector.emit(new Values(fields));
- }
- }
- }
- catch (IOException ex){ }
- }
- }
- public void declareOutputFields(OutputFieldsDeclarer declarer)
- {
- String[] fieldsArr = new String [tupleInfo.getFieldList().size()];
- for(int i=0; i<tupleInfo.getFieldList().size(); i++)
- {
- fieldsArr[i] = tupleInfo.getFieldList().get(i).getColumnName();
- }
- declarer.declare(new Fields(fieldsArr));
- }
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
- public class ThresholdInfo implementsSerializable
- {
- private String action;
- private String rule;
- private Object thresholdValue;
- private int thresholdColNumber;
- private Integer timeWindow;
- private int frequencyOfOccurence;
- }
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
- public void execute(Tuple tuple, BasicOutputCollector collector)
- {
- if(tuple!=null)
- {
- List<Object> inputTupleList = (List<Object>) tuple.getValues();
- int thresholdColNum = thresholdInfo.getThresholdColNumber();
- Object thresholdValue = thresholdInfo.getThresholdValue();
- String thresholdDataType = tupleInfo.getFieldList().get(thresholdColNum-1).getColumnType();
- Integer timeWindow = thresholdInfo.getTimeWindow();
- int frequency = thresholdInfo.getFrequencyOfOccurence();
- if(thresholdDataType.equalsIgnoreCase("string"))
- {
- String valueToCheck = inputTupleList.get(thresholdColNum-1).toString();
- String frequencyChkOp = thresholdInfo.getAction();
- if(timeWindow!=null)
- {
- long curTime = System.currentTimeMillis();
- long diffInMinutes = (curTime-startTime)/(1000);
- if(diffInMinutes>=timeWindow)
- {
- if(frequencyChkOp.equals("=="))
- {
- if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else if(frequencyChkOp.equals("!="))
- {
- if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else System.out.println("Operator not supported");
- }
- }
- else
- {
- if(frequencyChkOp.equals("=="))
- {
- if(valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else if(frequencyChkOp.equals("!="))
- {
- if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- }
- }
- else if(thresholdDataType.equalsIgnoreCase("int") || thresholdDataType.equalsIgnoreCase("double") || thresholdDataType.equalsIgnoreCase("float") || thresholdDataType.equalsIgnoreCase("long") || thresholdDataType.equalsIgnoreCase("short"))
- {
- String frequencyChkOp = thresholdInfo.getAction();
- if(timeWindow!=null)
- {
- long valueToCheck = Long.parseLong(inputTupleList.get(thresholdColNum-1).toString());
- long curTime = System.currentTimeMillis();
- long diffInMinutes = (curTime-startTime)/(1000);
- System.out.println("Difference in minutes="+diffInMinutes);
- if(diffInMinutes>=timeWindow)
- {
- if(frequencyChkOp.equals("<"))
- {
- if(valueToCheck < Double.parseDouble(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else if(frequencyChkOp.equals(">"))
- {
- if(valueToCheck > Double.parseDouble(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else if(frequencyChkOp.equals("=="))
- {
- if(valueToCheck == Double.parseDouble(thresholdValue.toString()))
- {
- count.incrementAndGet();
- if(count.get() > frequency)
- splitAndEmit(inputTupleList,collector);
- }
- }
- else if(frequencyChkOp.equals("!="))
- {
- . . .
- }
- }
- }
- else
- splitAndEmit(null,collector);
- }
- else
- {
- System.err.println("Emitting null in bolt");
- splitAndEmit(null,collector);
- }
- }
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。
- public void prepare( Map StormConf, TopologyContext context )
- {
- try
- {
- Class.forName(dbClass);
- }
- catch (ClassNotFoundException e)
- {
- System.out.println("Driver not found");
- e.printStackTrace();
- }
- try
- {
- connection driverManager.getConnection(
- "jdbc:mysql://"+databaseIP+":"+databasePort+"/"+databaseName, userName, pwd);
- connection.prepareStatement("DROP TABLE IF EXISTS "+tableName).execute();
- StringBuilder createQuery = new StringBuilder(
- "CREATE TABLE IF NOT EXISTS "+tableName+"(");
- for(Field fields : tupleInfo.getFieldList())
- {
- if(fields.getColumnType().equalsIgnoreCase("String"))
- createQuery.append(fields.getColumnName()+" VARCHAR(500),");
- else
- createQuery.append(fields.getColumnName()+" "+fields.getColumnType()+",");
- }
- createQuery.append("thresholdTimeStamp timestamp)");
- connection.prepareStatement(createQuery.toString()).execute();
- // Insert Query
- StringBuilder insertQuery = new StringBuilder("INSERT INTO "+tableName+"(");
- String tempCreateQuery = new String();
- for(Field fields : tupleInfo.getFieldList())
- {
- insertQuery.append(fields.getColumnName()+",");
- }
- insertQuery.append("thresholdTimeStamp").append(") values (");
- for(Field fields : tupleInfo.getFieldList())
- {
- insertQuery.append("?,");
- }
- insertQuery.append("?)");
- prepStatement = connection.prepareStatement(insertQuery.toString());
- }
- catch (SQLException e)
- {
- e.printStackTrace();
- }
- }
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。
- public void execute(Tuple tuple, BasicOutputCollector collector)
- {
- batchExecuted=false;
- if(tuple!=null)
- {
- List<Object> inputTupleList = (List<Object>) tuple.getValues();
- int dbIndex=0;
- for(int i=0;i<tupleInfo.getFieldList().size();i++)
- {
- Field field = tupleInfo.getFieldList().get(i);
- try {
- dbIndex = i+1;
- if(field.getColumnType().equalsIgnoreCase("String"))
- prepStatement.setString(dbIndex, inputTupleList.get(i).toString());
- else if(field.getColumnType().equalsIgnoreCase("int"))
- prepStatement.setInt(dbIndex,
- Integer.parseInt(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("long"))
- prepStatement.setLong(dbIndex,
- Long.parseLong(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("float"))
- prepStatement.setFloat(dbIndex,
- Float.parseFloat(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("double"))
- prepStatement.setDouble(dbIndex,
- Double.parseDouble(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("short"))
- prepStatement.setShort(dbIndex,
- Short.parseShort(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("boolean"))
- prepStatement.setBoolean(dbIndex,
- Boolean.parseBoolean(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("byte"))
- prepStatement.setByte(dbIndex,
- Byte.parseByte(inputTupleList.get(i).toString()));
- else if(field.getColumnType().equalsIgnoreCase("Date"))
- {
- Date dateToAdd=null;
- if (!(inputTupleList.get(i) instanceof Date))
- {
- DateFormat df = new SimpleDateFormat("yyyy-MM-dd hh:mm:ss");
- try
- {
- dateToAdd = df.parse(inputTupleList.get(i).toString());
- }
- catch (ParseException e)
- {
- System.err.println("Data type not valid");
- }
- }
- else
- {
- dateToAdd = (Date)inputTupleList.get(i);
- java.sql.Date sqlDate = new java.sql.Date(dateToAdd.getTime());
- prepStatement.setDate(dbIndex, sqlDate);
- }
- }
- catch (SQLException e)
- {
- e.printStackTrace();
- }
- }
- Date now = new Date();
- try
- {
- prepStatement.setTimestamp(dbIndex+1, new java.sql.Timestamp(now.getTime()));
- prepStatement.addBatch();
- counter.incrementAndGet();
- if (counter.get()== batchSize)
- executeBatch();
- }
- catch (SQLException e1)
- {
- e1.printStackTrace();
- }
- }
- else
- {
- long curTime = System.currentTimeMillis();
- long diffInSeconds = (curTime-startTime)/(60*1000);
- if(counter.get()<batchSize && diffInSeconds>batchTimeWindowInSeconds)
- {
- try {
- executeBatch();
- startTime = System.currentTimeMillis();
- }
- catch (SQLException e) {
- e.printStackTrace();
- }
- }
- }
- }
- public void executeBatch() throws SQLException
- {
- batchExecuted=true;
- prepStatement.executeBatch();
- counter = new AtomicInteger(0);
- }
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。
- public class StormMain
- {
- public static void main(String[] args) throws AlreadyAliveException,
- InvalidTopologyException,
- InterruptedException
- {
- ParallelFileSpout parallelFileSpout = new ParallelFileSpout();
- ThresholdBolt thresholdBolt = new ThresholdBolt();
- DBWriterBolt dbWriterBolt = new DBWriterBolt();
- TopologyBuilder builder = new TopologyBuilder();
- builder.setSpout("spout", parallelFileSpout, 1);
- builder.setBolt("thresholdBolt", thresholdBolt,1).shuffleGrouping("spout");
- builder.setBolt("dbWriterBolt",dbWriterBolt,1).shuffleGrouping("thresholdBolt");
- if(this.argsMain!=null && this.argsMain.length > 0)
- {
- conf.setNumWorkers(1);
- StormSubmitter.submitTopology(
- this.argsMain[0], conf, builder.createTopology());
- }
- else
- {
- Config conf = new Config();
- conf.setDebug(true);
- conf.setMaxTaskParallelism(3);
- LocalCluster cluster = new LocalCluster();
- cluster.submitTopology(
- "Threshold_Test", conf, builder.createTopology());
- }
- }
- }
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。
原文链接:Easy, Real-Time Big Data Analysis Using Storm (编译/仲浩 王旭东/审校)
欢迎关注@CSDN云计算微博,了解更多云信息。