Storm笔记

为什么80%的码农都做不了架构师？>>>   

用了一段时间Storm后的笔记。发现可以记的东西不多，证明Storm挺简单的，你只要遵循一些简单的接口与原则，就能写出大规模实时消息处理的程序。

不断更新中，请尽量访问博客原文。

为什么用Storm 没接触前把Storm想象得很强大，接触后觉得它就那样可有可无，再后来又觉得没有了全部自己做也麻烦。

集群管理：支持应用的部署，工作节点的管理(任务分配、HA、Scalable等)，Metrics的收集。

数据流的传输与路由：支持多种数据在各处理节点间自由流动(是同类方案里DAG拓扑最灵活的)，基于Netty的高效传输机制，支持轮询、广播、按值分组的路由。

数据高可靠性的保证：支持数据流动了多个节点后，在某个节点的处理失败，可以引发数据从源头开始重传。

按Storm的官方说法，你也可以自己搭建许多消息队列和worker组成的网络来实现实时处理，但是：

乏味：你大部份开发时间花费在部署worker，部署中间队列，配置消息发送到哪里。你所关心的实时处理逻辑只占了你的代码很少的比例 。

脆弱：你要自己负责保持每个worker和队列正常工作。

伸缩时痛苦：当worker或队列的消息吞吐量太高时，你需要重新分区，重新配置其它worker，让它们发送消息到新位置。

缺点 核心代码是用Clojure写成，翻看代码非常不便。其实，它现在很多新的外部模块都用Java来写了，另外阿里同学翻写了一个JStorm。

其他流处理方案 Spark-Streaming：总是有人问为什么不用Spark Stream，首先它是Micro-Batch风格的准实时方案，间隔一般设到500ms。另外，它的消息流拓扑好像没Storm那样可以随便乱入，有时候必须弄个DB或MQ来做中间传输。

Samza： Linkedin的产品，与Storm比，传输基于Apache Kafka，集群管理基于YARN，它只做处理的那块，但多了基于RocksDB的状态管理。但据《大数据日知录》说，受限于Kafka和YARN，它的拓扑也不够灵活。

自定义Spout Storm对可靠消息传输的支持程度，很大程度上依赖于Spout的实现。

并不默认就支持高可靠性的，collector emit的时候要传输msgId，要自己处理ack(msgId)和fail(msgId)函数。而很多spout其实没有这样做，只有Kafka Spout做的比较正规。

默认的，如果三十秒，消息流经的所有下游节点没有都ack完毕，或者有一个节点报fail，则触发fail(msgId)函数。

因为ack/fail的参数只有msgId，这就要Spout想在ack/fail时对上有消息源如Kafka/JMS进行ack/fail，又或者fail时想重发消息，如果需要完整的消息体而不只是msgId才能完成时，要自己把msgId对应的消息存起来(会撑爆内存么，好在Kafka不需要)。

另外，因为每个Spout 是单线程的，会循环的调用nextTuple()的同时，调用ack()或fail()处理结果。所以nextTuple()如果没消息时不要长期阻塞，避免把ack()也阻塞了。同时，Storm自己有个机制在nextTuple总是没消息时Sleep一下避免空循环耗CPU，但参考storm-starter里的spout，还是直接内部等个50ms好了。在JStorm里，就改为了两条分开的线程。

另外，spout有时是每次被调用nextTuple()时主动去pull消息的，有时是被动接收push消息后存放在LinkedBlockingQueue里，netxtTuple()时从Queue里取消息的。Spout突然crash的话，存在Queue里的消息也会丢失，除非上游消息源有ack机制来保障。

Spout还有个Max Pending的配置，如果有太多消息没有ack，它就不会再调nextTuple()。但如果上游消息源是主动Push的，消息还是会源源不断的来，累积在queue里。

RichBolt vs BasicBolt 直接用BasicBolt，会在execute()后自动ack/fail Tuple，而RichBolt则需要自行调用ack/fail。

那什么时候使用RichBolt？ Bolt不是在每次execute()时立刻产生新消息，需要异步的发送新消息(比如聚合一段时间的数据再发送)时，又或者想异步的ack/fail原消息时就需要。

BasicBolt的prepare()里并没有collector参数，只在每次execute()时传入collector。而RichBolt刚好相反，你可以在初始化时就把collector保存起来，用它在任意时候发送消息。

另外，如果用RichBolt的collector，还要考虑在发送消息时是否带上传入的Tuple，如果不带，则下游的处理节点出错也不会回溯到Spout重发。用BasicBolt则已默认带上。

Ack机制 作者是一拍脑袋想到了用20个字节来追踪每条Spout出来的消息被处理的情况，原理是XOR的时候，N XOR N=0，同一个值以任意次序XOR两次会归0，如A XOR B XOR B XOR C XOR A XOR C =0， 在发出Tuple时，就用随机产生的Tuple Id XOR一下。等接收的Bolt ack时，再XOR一下，就会归0。所以当消息以任意的顺序会流经很多节点，产生很多新Tuple，如果都被成功处理，即所有Tuple id都被以任意顺序执行了两次XOR，则这20个字节最后应该重新归0，就可判断全部ack完毕。

另外，重发是从最上游的Spout开始，如果某个bolt的操作是非幂等的，还要想想怎么自己去实现去重。

异常处理 如果希望上游的Spout重发消息，则在BasicBolt中抛出FailedException 或在RichBolt中直接fail掉Tuple。 其他情况下，execute()方法不应该抛出任何异常，或者你是故意抛出异常使得Topology停转。

状态管理 状态数据分两种，一种是本地历史数据，不如使用路由规则，使相同用户的数据总是路由到同一个Bolt。 一种是全局的数据。Storm完全不管数据的持久化(Trident那块没用到不算)， 《Storm 并非完全适合所有实时应用》 就是吐槽Storm的状态数据管理的。

不像Linkedin的Samza，Bolt如果需要历史数据，一般自己在内存里管理数据(Crash掉或节点的变化导致路由变化就没了哈)，或者在本地起一个Redis/Memcached(不能与Bolt一起管理，路由变化的数据迁移，性能也会削弱)

对于全局数据，同样需要Cassandra之类高可扩展的NOSQL来帮忙，但此时延时会更厉害，性能瓶颈也很可能压到了Cassandra上。

定时任务 定时聚合数据之类的需求，除了自己在bolt里开定时器，还可以用如下设置，所有Bolt都定时收到一条Tick消息：

conf.put(Config.TOPOLOGY_TICK_TUPLE_FREQ_SECS, 300);

如下函数用于判断是Tick还是正常业务消息：

protected static boolean isTickTuple(Tuple tuple) { return tuple.getSourceComponent().equals(Constants.SYSTEM_COMPONENT_ID) && tuple.getSourceStreamId().equals(Constants.SYSTEM_TICK_STREAM_ID); }

拓扑的定义 除了使用Java代码，还可以使用Yaml来动态定义拓扑，见 https://github.com/ptgoetz/flux

并发度的定义及基于命令行的动态扩容见官方文档，另对于worker进程数的建议是Use one worker per topology per machine。

序列化 Tuple除了传基本类型与数组，AraayList，HashMap外，也可以传一下Java对象的。Storm使用Kyro作为序列化框架，据测比Hessian什么的都要快和小。但一定注册这些额外的Java对象的类型，否则就会使用Java默认的序列化。

参看官方文档，有两种方式注册类型，一个是storm.yaml文件，一个是Config类的registerSerialization方法。如无特殊需求，直接注册需要序列化的类就可以了，不需要自己实现一个Serializer，Kryo默认的按fields序列化的Serializer已足够。

Spout和Bolt的构造函数只会在submit Topology时调一次，然后序列化起来，直接发给工作节点，工作节点里实例化时不会被调用里，所以复杂的成员变量记得都定义成transient，在open(),prepare()里初始化及连接数据库等资源。

另外，需要实现close()函数清理资源，但该函数不承诺在worker进程被杀时保证被调用。

fields grouping的算法 按名称提取fields的值，叠加其hash值，再按当前的可选Task数量取模。所以，动态扩展Task数量，或某Task失效被重建的话，都可能让原来的分配完全乱掉。

与其他开源技术的集成 比如External目录里的一堆，storm-contrib 里也有一堆，目前支持Jdbc，Redis，HBase，HDFS，Hive，甚至还有Esper，目标都是通过配置（比如SQL及Input/Output fields），而非代码，或尽量少的代码，实现交互。有时也可以不一定要直接用它们，当成Example Code来看就好了。

另外，与传统的Java应用思路相比，Bolt/Spout与资源连接时，比较难实现共享连接池的概念，连接池一般都是每个Bolt/Spout实例自用的，要正确处理其连接数量。

HA的实现 如果Worker进程失效，Supervisor进程会检查 Worker的心跳信息，重新创建。 Supervisor进程，需要用Daemon程序如monit来启动，失效时自动重新启动。 如果整个机器节点失效，Nimbus会在其他节点上重新创建。

Nimbus进程，需要用Daemon程序如monit来启动，失效时自动重新启动。 如果Nimbus进程所在的机器直接倒了，需要在其他机器上重新启动，Storm目前没有内建支持，需要自己写脚本实现。

因为Supervisor和Nimbus在进程内都不保存状态，状态都保存在本地文件和ZooKeeper，因此进程可以随便杀。 即使Nimbus进程不在了，也只是不能部署新任务，有节点失效时不能重新分配而已，不影响已有的线程。 同样，如果Supervisor进程失效，不影响已存在的Worker进程。

Zookeeper本身已经是按至少三台部署的HA架构了。

运维管理 Storm UI也是用Clojure写的，比较难改，好在它提供了Restful API，可以与其他系统集成，或基于API重写一个UI。

Metrics的采样率是1/20(topology.stats.sample.rate=0.05)，即Storm随机从20个事件里取出一个事件来进行统计，命中的话，counter 直接+20。

在旧版本的Storm使用旧版的ZooKeeper要启动数据清理的脚本，在新版上只要修改ZooKeeper的配置文件zoo.cfg， 默认是24小时清理一次 autopurge.purgeInterval=24。

日志的配置在logback/cluster.xml文件里，Storm的日志，天然的需要Logstash + ElasticSearch的集中式日志方案。

storm.local.dir 要自己建，而且不支持～/ 代表用户根目录。

storm.yaml的默认值在 https://github.com/apache/storm/blob/master/conf/defaults.yaml

Tunning

1. 内部传输机制的各种配置，见文档

2. 屏蔽ack机制，当可靠传输并不是最重要时。可以把Acker数量设为0，可以让Spout不要发出msgId，或者bolt发送消息时不传之前的Tuple。

转载于:https://my.oschina.net/drl/blog/752191