使用Storm实现实时大数据分析！

随着数据体积的越来越大，实时处理成为了许多机构需要面对的首要挑战。Shruthi Kumar和Siddharth Patankar在Dr.Dobb’s上结合了汽车超速监视，为我们演示了使用Storm进行实时大数据分析。CSDN在此编译、整理。

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。

1. <TUPLEINFO>
2. <FIELDLIST>
3. <FIELD>
4. <COLUMNNAME>vehicle_number</COLUMNNAME>
5. <COLUMNTYPE>string</COLUMNTYPE>
6. </FIELD>
7. <FIELD>
8. <COLUMNNAME>speed</COLUMNNAME>
9. <COLUMNTYPE>int</COLUMNTYPE>
10. </FIELD>
11. <FIELD>
12. <COLUMNNAME>location</COLUMNNAME>
13. <COLUMNTYPE>string</COLUMNTYPE>
14. </FIELD>
15. </FIELDLIST>
16. <DELIMITER>,</DELIMITER>
17. </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）