Storm入门（十）Twitter Storm: Transactional Topolgoy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/736/twitter-storm-transactional-topolgoy/

本文翻译自: https://github.com/nathanmarz/storm/wiki/Transactional-topologies

概述

Storm通过保证每个tuple至少被处理一次来提供可靠的数据处理。关于这一点最常被问到的问题就是 “既然tuple可能会被重写发射(replay), 那么我们怎么在storm上面做统计个数之类的事情呢？storm有可能会重复计数吧？”

Storm 0.7.0引入了Transactional Topology, 它可以保证每个tuple”被且仅被处理一次”, 这样你就可以实现一种非常准确，非常可扩展，并且高度容错方式来实现计数类应用。

跟 Distributed RPC 类似， transactional topology其实不能算是storm的一个特性，它其实是用storm的底层原语spout, bolt, topology, stream等等抽象出来的一个特性。

这篇文章解释了事务性topology是怎样的一种抽象，怎样使用它的api，同时也讨论了有关它实现的一些细节。

概念

让我们一步步地建立transactional topology的抽象。我们先提出一种最简单的抽象方式，然后一步步的完善改进，最后介绍storm代码里面所使用的抽象方式。

第一个设计：最简单的抽象方法

事务性topology背后的核心概念是要在处理数据的提供一个强顺序性。这种强顺序性最简单的表现、同时也是我们第一个设计就是：我们每次只处理一个tuple，除非这个tuple处理成功，否则我们不去处理下一个tuple。

每一个tuple都跟一个transaction id相关联。如果这个tuple处理失败了，然后需要重写发射，那么它会被重新发射 — 并且附着同样的transaction id。这里说的trasaction id其实就是一个数字，来一个tuple，它就递增一个。所以第一个tuple的transaction id是1，第二个tuple的transaction id是2，等等等等。

tuple的强顺序性使得我们即使在tuple重发的时候也能够实现“一次而且只有一次”的语义。让我们看个例子:

比如你想统一个stream里面tuple的总数。那么为了保证统计数字的准确性，你在数据库里面不但要保存tuple的个数，还要保存这个数字所对应的最新的transaction id。当你的代码要到数据库里面去更新这个数字的时候，你要判断只有当新的transaction id跟数据库里面保存的transaction id不一样的时候才去更新。考虑两种情况:

数据库里面的transaction id跟当前的transaction id不一样：由于我们transaction的强顺序性，我们知道当前的tuple肯定没有统计在数据库里面。所以我们可以安全地递增这个数字，并且更新这个transaction id.
数据库里面的transaction id一样：那么我们知道当前tuple已经统计在数据库里面了，那么可以忽略这个更新。这个tuple肯定之前在更新了数据库之后，反馈给storm的时候失败了（ack超时之类的）。

这个逻辑以及事务的强顺序性保证数据库里面的个数(count)即使在tuple被重发的时候也是准确的。这个主意（保存count + transaction-id)是Kafka的开发者在这个设计文档里面提出来的。

更进一步来说，这个topology可以在一个事务里面更新很多不同的状态，并且可以到达”一次而且只有一次的逻辑”。如果有任何失败，那么已经成功的更新你再去更新它会忽略，失败的更新你去再次更新它则会接受。比如，如果你在处理一个url流，你可以更新每个url的转发次数，同时更新每个domain下url的转发次数。

这个简单设计有一个很大的问题，那就是你需要等待一个tuple完全处理成功之后才能去处理下一个tuple。这个性能是非常差的。这个需要大量的数据库调用（只要每个tuple一个数据库调用), 而且这个设计也没有利用到storm的并行计算能力，所以它的可扩展能力是非常差的。

第二个设计

与每次只处理一个tuple的简单方案相比，一个更好的方案是每个transaction里面处理一批tuple。所以如果你在做一个计数应用，那么你每次更新到总数里面的是这一整个batch的tuple数量。如果这个batch失败了，那么你重新replay这整个batch。相应地，我们不是给每个tuple一个transaction id而是给整个batch一个transaction id，batch与batch之间的处理是强顺序性的，而batch内部是可以并行的。下面这个是设计图:

所以如果你每个batch处理1000个tuple的话，那么你的应用将会少1000倍的数据库调用。同时它利用了storm的并行计算能力（每个batch内部可以并行)

虽然这个设计比第一个设计好多了，它仍然不是一个完美的方案。topology里面的worker会花费大量的时间等待计算的其它部分完成。比如看下面的这个计算。

在bolt 1完成它的处理之后，它需要等待剩下的bolt去处理当前batch，直到发射下一个batch。

第三个设计(storm采用的设计)

一个我们需要意识到的比较重要的问题是，为了实现transactional的特性，在处理一批tuples的时候，不是所有的工作都需要强顺序性的。比如，当做一个全局计数应用的时候，整个计算可以分为两个部分。

计算这个batch的局部数量。
把这个batch的局部数量更新到数据库里面去。

其中第二步在多个batch之前需要保证强的顺序性，但是第一步并不许要，所以我们可以把第一步并行化。所以当第一个batch在更新它的个数进入数据库的时候，第2到10个batch可以开始计算它们的局部数量了。

Storm通过把一个batch的计算分成两个阶段来实现上面所说的原理：

processing阶段：这个阶段很多batch可以并行计算。
commit阶段：这个阶段各个batch之间需要有强顺序性的保证。所以第二个batch必须要在第一个batch成功提交之后才能提交。

这两个阶段合起来称为一个transaction。许多batch可以在processing阶段的任何时刻并行计算，但是只有一个batch可以处在commit阶段。如果一个batch在processing或者commit阶段有任何错误，那么整个transaction需要被replay。

设计细节

当使用Transactional Topologies的时候， storm为你做下面这些事情：

1) 管理状态: Storm把所有实现Transactional Topologies所必须的状态保存在zookeeper里面。这包括当前transaction id以及定义每个batch的一些元数据。

2) 协调事务: Storm帮你管理所有事情，以帮你决定在任何一个时间点是该proccessing还是该committing。

3) 错误检测: Storm利用acking框架来高效地检测什么时候一个batch被成功处理了，被成功提交了，或者失败了。Storm然后会相应地replay对应的batch。你不需要自己手动做任何acking或者anchoring — storm帮你搞定所有事情。

4) 内置的批处理API: Storm在普通bolt之上包装了一层API来提供对tuple的批处理支持。Storm管理所有的协调工作，包括决定什么时候一个bolt接收到一个特定transaction的所有tuple。Storm同时也会自动清理每个transaction所产生的中间数据。

5) 最后，需要注意的一点是Transactional Topologies需要一个可以完全重发(replay)一个特定batch的消息的队列系统(Message Queue)。 Kestrel 之类的技术做不到这一点。而 Apache的Kafka 对于这个需求来说是正合适的。 storm-contrib 里面的 storm-kafka 实现了这个。

一个基本的例子

你可以通过使用 TransactionalTopologyBuilder 来创建transactional topology. 下面就是一个transactional topology的定义，它的作用是计算输入流里面的tuple的个数。这段代码来自storm-starter里面的 TransactionalGlobalCount 。

MemoryTransactionalSpout spout = new MemoryTransactionalSpout(

           DATA, new Fields("word"), PARTITION_TAKE_PER_BATCH);

TransactionalTopologyBuilder builder = new TransactionalTopologyBuilder(

           "global-count", "spout", spout, 3);

builder.setBolt("partial-count", new BatchCount(), 5)

        .shuffleGrouping("spout");

builder.setBolt("sum", new UpdateGlobalCount())

        .globalGrouping("partial-count");

TransactionalTopologyBuilder 接受如下的参数

这个transaction topology的id
spout在整个topology里面的id。
一个transactional spout。
一个可选的这个transactional spout的并行度。

topology的id是用来在zookeeper里面保存这个topology的当前进度的，所以如果你重启这个topology，它可以接着前面的进度继续执行。

一个transaction topology里面有一个唯一的 TransactionalSpout , 这个spout是通过 TransactionalTopologyBuilder 的构造函数来制定的。在这个例子里面， MemoryTransactionalSpout 被用来从一个内存变量里面读取数据(DATA)。第二个参数制定数据的fields，第三个参数指定每个batch的最大tuple数量。关于如何自定义 TransactionalSpout 我们会在后面介绍。

现在说说 bolts。这个topology并行地计算tuple的总数量。第一个 bolt：BatchBolt ，随机地把输入tuple分给各个task，然后各个task各自统计局部数量。第二个 bolt：UpdateBlobalCount , 用全局grouping来从汇总这个batch的总的数量。然后再把总的数量更新到数据库里面去。

下面是 BatchCount 的定义:

public static class BatchCount extends BaseBatchBolt {

    Object _id;

    BatchOutputCollector _collector;

    int _count = 0;

    @Override

    public void prepare(Map conf, TopologyContext context,

                BatchOutputCollector collector, Object id) {

        _collector = collector;

        _id = id;

    }

    @Override

    public void execute(Tuple tuple) {

        _count++;

    }

    @Override

    public void finishBatch() {

        _collector.emit(new Values(_id, _count));

    }

    @Override

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        declarer.declare(new Fields("id", "count"));

    }

}

storm会为每个batch创建这个一个 BatchCount 对象。而这些 BatchCount 是运行在 BatchBoltExecutor 里面的。而 BatchBoltExecutor 负责创建以及清理这个对象的实例。

这个对象的prepare方法接收如下参数:

包含storm config信息的map。
TopologyContext
OutputCollector
这个batch的id。而在Transactional Topologies里面，这个id则是一个 TransactionAttempt对象。

这个batch bolt的抽象在DRPC里面也可以用，只是id的类型不一样而已。BatchBolt其实真的接收一个id类型的参数 — 它是一个java模板类，所以如果你只是想在transactioinal topology里面使用这个BatchBolt，你可以这样定义:

public abstract class BaseTransactionalBolt

       extends BaseBatchBolt<TransactionAttempt> {

}

在transaction topology里面发射的所有的tuple都必须以 TransactionAttempt 作为第一个field，然后storm可以根据这个field来判断哪些tuple属于一个batch。所以你在发射tuple的时候需要满足这个条件。

TransactionAttempt 包含两个值：一个transaction id，一个attempt id。transaction id的作用就是我们上面介绍的对于每个batch是唯一的，而且不管这个batchreplay多少次都是一样的。attempt id是对于每个batch唯一的一个id，但是对于统一个batch，它replay之后的attempt id跟replay之前就不一样了，我们可以把attempt id理解成replay-times, storm利用这个id来区别一个batch发射的tuple的不同版本。

transaction id对于每个batch加一，所以第一个batch的transaction id是”1″, 第二个batch是”2″,以此类推。

execute方法会为batch里面的每个tuple执行一次，你应该把这个batch里面的状态保持在一个本地变量里面。对于这个例子来说，它在execute方法里面递增tuple的个数。

最后，当这个bolt接收到某个batch的所有的tuple之后， finishBatch方法会被调用。这个例子里面的BatchCount类会在这个时候发射它的局部数量到它的输出流里面去。

下面是 UpdateGlobalCount 类的定义。

public static class UpdateGlobalCount

           extends BaseTransactionalBolt

           implements ICommitter {

    TransactionAttempt _attempt;

    BatchOutputCollector _collector;

    int _sum = 0;

    @Override

    public void prepare(Map conf,

                        TopologyContext context,

                        BatchOutputCollector collector,

                        TransactionAttempt attempt) {

        _collector = collector;

        _attempt = attempt;

    }

    @Override

    public void execute(Tuple tuple) {

        _sum+=tuple.getInteger(1);

    }

    @Override

    public void finishBatch() {

        Value val = DATABASE.get(GLOBAL_COUNT_KEY);

        Value newval;

        if(val == null ||

                !val.txid.equals(_attempt.getTransactionId())) {

            newval = new Value();

            newval.txid = _attempt.getTransactionId();

            if(val==null) {

                newval.count = _sum;

            } else {

                newval.count = _sum + val.count;

            }

            DATABASE.put(GLOBAL_COUNT_KEY, newval);

        } else {

            newval = val;

        }

        _collector.emit(new Values(_attempt, newval.count));

    }

    @Override

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        declarer.declare(new Fields("id", "sum"));

    }

}

UpdateGlobalCount 是Transactional Topologies相关的类，所以它继承自 BaseTransactionalBolt 。在execute方法里面， UpdateGlobalCount 累积这个batch的计数，比较有趣的是finishBatch方法。

首先，注意这个bolt实现了 ICommitter 接口。这告诉storm要在这个事务的commit阶段调用 finishBatch 方法。所以对于finishBatch的调用会保证强顺序性（顺序就是transaction id的升序), 而相对来说execute方法在任何时候都可以执行，processing或者commit阶段都可以。另外一种把bolt标识为commiter的方法是调用 TransactionalTopologyBuilder 的 setCommiterBolt 来添加Bolt(而不是setBolt)。

UpdateGlobalCount 里面finishBatch方法的逻辑是首先从数据库中获取当前的值，并且把数据库里面的transaction id与当前这个batch的transaction id进行比较。如果他们一样，那么忽略这个batch。否则把这个batch的结果加到总结果里面去，并且更新数据库。

关于transactional topology的更深入的例子可以卡看storm-starter里面的 TransactionalWords类，这个类里面会在一个事务里面更新多个数据库。

Transactional Topology API

这一节介绍Transaction topology API

Bolts

在一个transactional topology里面最多有三种类型的bolt:

BasicBolt : 这个bolt不跟batch的tuple打交道，它只基于单个tuple的输入来发射新的tuple。
BatchBolt : 这个bolt处理batch在一起的tuples。对于每一个tuple调用execute方法。而在整个batch处理完成的时候调用finishBatch方法
被标记成Committer的BatchBolt: 和普通的BatchBolt的唯一的区别是finishBatch这个方法被调用的时机。作为committer的BatchBolt的finishBatch方法在commit阶段调用。一个batch的commit阶段由storm保证只在前一个batch成功提交之后才会执行。并且它会重试直到topology里面的所有bolt在commit完成提交。有两个方法可以让一个普通BatchBolt变成committer: 1) 实现 ICommitter 接口 2) 通过TransactionalTopologyBuilder的setCommitterBolt方法把BatchBolt添加到topology里面去。

Processing phase vs. commit phase in bolts

为了搞清除processing阶段与commit阶段的区别，让我们看个例子:

在这个topology里面只有用红线标出来的是committers。

在processing阶段， bolt A会处理从spout发射出来的整个batch。并且发射tuple给bolt B和bolt C。Bolt B是一个committer，所以它会处理所有的tuple，但是不会调用 finishBatch方法。Bolt C同样也不会调用 finishBatch 方法，它的原因是：它不知道它有没有从Bolt B接收到所有的tuple。（因为Bolt B还在等着事务提交）最后Bolt D会接收到Bolt C在调用execute方法的时候发射的所有的tuple。

当batch提交的时候， Bolt B上的 finishBatch 被调用。Bolt C现在可以判断它接收到了所有的tuple，所以可以调用 finishBatch 了。最后Bolt D接收到了它的所有的tuple所以就调用finishBatch了。

要注意的是，虽然Bolt D是一个committer, 它在接收到整个batch的tuple之后不需要等待第二个commit信号。因为它是在commit阶段接收到的整个batch，它会调用finishBatch来完成整个事务。

Acking

注意，你不需要显式地去做任何的acking或者anchoring。storm在背后都做掉了。（storm对transactional topolgies里面的acking机制进行了高度的优化)

Failing a transaction

在使用普通bolt的时候，你可以通过调用OutputCollector的fail方法来fail这个tuple所在的tuple树。由于Transactional Topologies把acking框架从用户的视野里面隐藏掉了，它提供一个不同的机制来fail一个batch（从而使得这个batch被replay）。只要抛出一个 FailedException 就可以了。跟普通的异常不一样，这个异常只会导致当前的batch被replay, 而不会使整个进程crash掉。

Transactional spout

TransactionalSpout接口跟普通的Spout接口完全不一样。一个TransactionalSpout的实现一个batch一个batch的tuple，而且必须保证同一个batch的transaction id始终一样。

在transactional topology中运行的时候， transactional spout看起来是这样的一个结构：

在图的左边的coordinator是一个普通的storm的spout — 它一直为事务的batch发射tuple。Emitter则像一个普通的storm bolt，它负责为每个batch实际发射tuple。emitter以all grouping的方式订阅coordinator的”batch emit”流。

由于TransactionalSpout发射的tuple可能需要会被replay，因此需要具有幂等性（否则多次replay同一个tuple会使得最后的结果不对），为了实现幂等性，需要保存Transactional Spout的少量的状态，这个状态是保存在ZooKeeper里面的。

关于如何实现一个 TransactionalSpout 的细节可以参见 Javadoc 。

Partitioned Transactional Spout

一种常见的TransactionalSpout是那种从多个queue broker夺取数据然后再发射的tuple。比如 TransactionalKafkaSpout 是这样工作的。 IPartitionedTransactionalSpout 把这些管理每个分区的状态以保证可以replay的幂等性的工作都自动化掉了。更多可以参考 Javadoc

配置

Transactional Topologies有两个重要的配置：
- Zookeeper: 默认情况下，transactional topology会把状态信息保存在主zookeeper里面（协调集群的那个)。你可以通过这两个配置来指定其它的zookeeper：” transactional.zookeeper.servers ” 和 “ transactional.zookeeper.port “。
- 同时活跃的batch数量：你必须设置同时处理的batch数量。你可以通过” topology.max.spout.pending ” 来指定，如果你不指定，默认是1。
实现

Transactional Topologies的实现是非常优雅的。管理提交协议，检测失败并且串行提交看起来很复杂，但是使用storm的原语来进行抽象是非常简单的。
- transactional topology里面的spout是一个子topology, 它由一个spout和一个bolt组成。
  - spout是协调者，它只包含一个task。
  - bolt是发射者
  - bolt以all grouping的方式订阅协调者的输出。
  - 元数据的序列化用的是kryo。
- 协调者使用acking框架来决定什么时候一个batch被成功执行完成，然后去决定一个batch什么时候被成功提交。
- 状态信息被以 RotatingTransactionalState 的形式保存在zookeeper里面了。
- commiting bolts以all grouping的方式订阅协调者的commit流。
- CoordinatedBolt被用来检测一个bolt是否收到了一个特定batch的所有tuple。
  - 这一点上面跟DRPC里面是一样的。
  - 对于commiting bolt来说，他会一直等待，知道从coordinator的commit流里面接收到一个tuple之后，它才会调用 finishBatch 方法。
  - 所以在没有从coordinator的commit流接收到一个tuple之前，committing bolt不可能调用 finishBolt 方法。