Storm高级原语（二） — DRPC

本文翻译自Apache Storm主页上的Distributed-RPC 介绍一文，同时参考徐明明博客。

Storm里面引入DRPC主要是利用storm的实时计算能力来并行化CPU密集型（CPU intensive）的计算任务。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stream、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服务器”协调(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计算“reach”功能（function）的结果，reach方法的参数是: http://twitter.com。

1 2	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（重要☆）：

客户端给DRPC服务器发送要执行的函数（function）的名字，以及这个函数的参数。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：

1、设置spout

2、把结果返回给DRPC服务器

3、给bolt提供有限聚合几组tuples的能力

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

01 02 03 04 05 06 07 08 09 10 11 12 13 14 15

public static class ExclaimBolt extends BaseBasicBolt {      public void execute(Tuple tuple, BasicOutputCollector collector) {          String input = tuple.getString( 1 );          collector.emit( new Values(tuple.getValue( 0 ), input + "!" ));      }      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(DRPC function)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会接收一个两维tuple，tuple的第一个字段是request-id，第二个字段是这个请求的参数。LinearDRPCTopologyBuilder同时要求我们topology的最后一个bolt发送一个形如[id, result]的二维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：连接到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：

1 2 3 4 5 6 7 8 9

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（这很类似于LocalCluster在进程内模拟一个Storm集群），然后创建LocalCluster对象在本地模式运行topology。LinearTopologyBuilder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

在一个真实集群上面DRPC也是非常简单的，有三个步骤:

1、启动DRPC服务器

2、配置DRPC服务器的地址

3、提交DRPC topology到storm集群里面去。

我们可以通过“bin/storm drpc”命令来启动DRPC服务器。

接着， 你需要让你的storm集群知道你的DRPC服务器的地址。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：

1 2 3

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

最后，你通过StormSubmitter对象来提交DRPC topology（这个跟你提交其它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：

1	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。

一个URL的reach值是该URL对应的推文能到达(reach)的用户数量，要计算一个URL的reach值，我们需要：

1、获取所有推文里面包含这个URL的人（转发过该URL的人）

2、获取这些人的粉丝

3、把这些粉丝去重

4、获取这些去重之后的粉丝个数 — 这就是reach值

一个简单的reach计算可能会有成千上万个数据库调用，并且可能涉及到千万数量级的粉丝用户。这个确实可以说是CPU intensive的计算了，但你会看到，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，即时是最难的URL， 也只需要几秒。

一个reach topolgoy的例子可以在这儿找到(storm-starter)，reach topology是这样定义的：

1 2 3 4 5 6 7 8

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：

1、GetTweeters获取转发该推文的所有用户。它接收输入流： [id, url]，它输出：[id, tweeter]. 每个URL tuple会对应到很多tweeter tuple。

2、GetFollowers 获取这些转发者（tweeter）的粉丝。它接收输入流: [id, tweeter], 它输出: [id, follower]。当然，当某人关注的多个人都转发了同一条推文时，follower tuple会存在重复，这就需要下一步的去重。

3、PartialUniquer 通过粉丝的id来group粉丝，这使得相同的粉丝会被引导到同一个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。

4、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：

01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

public class PartialUniquer extends BaseBatchBolt {      BatchOutputCollector _collector;      Object _id;      Set<String> _followers = new HashSet<String>();        @Override      public void prepare(Map conf, TopologyContext context, BatchOutputCollector collector, Object id) {          _collector = collector;          _id = id;      }        @Override      public void execute(Tuple tuple) {          _followers.add(tuple.getString( 1 ));      }        @Override      public void finishBatch() {          _collector.emit( new Values(_id, _followers.size()));      }        @Override      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（利用Set元素不重复的特点进行去重）。

PartialUniquer继承了BaseBatchBolt类。对于每个request-id，创建一个相应batch bolt的实例，并且Storm会在合适的时候清理这些实例。batch bolt提供了finishBatch的方法，该方法将在这个batch中的所有tuple被处理完之后调用。PartialUniquer仅发送一个tuple，包含当前这个request-id在这个task上的粉丝数量。

LinearDRPCTopologyBuilder的工作原理

1、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服务器生成）

2、DRPC Topology包含以下元素：

• DRPCSpout
• PrepareRequest(生成request-id, return info以及args)
• CoordinatedBolt
• JoinResult — 通过return info组合结果
• ReturnResult — 连接到DRPC服务器并且返回结果

3、LinearDRPCTopologyBuilder是利用storm的原语来构建高层抽象的很好的例子。

• 转载请注明: 东风化宇 2014年04月25日 于 Flyne 发表