Twitter Storm进阶初步设置

[[111555]]

本篇Blog是一个简单的Storm入门例子，目的让读者明白Storm是怎样的运行机制。以及后续会放出的几篇Storm高级特性以及最终将Storm融入Hadoop 2.x的YARN中。目的读者是已经进阶大数据的Hadoop，Spark用户，或者了解Storm想深入理解Storm的读者用户。

项目Pom（Storm jar没有提交到Maven中央仓库，需要在项目中加入下面的仓库地址）：

<repositories> 
<repository> 
<id>central</id> 
<name>Maven Repository Switchboard</name> 
<layout>default</layout> 
<url>http://maven.oschina.net/content/groups/public/</url> 
<snapshots> 
<enabled>false</enabled> 
</snapshots> 
</repository> 
<repository> 
<id>clojars</id> 
<url>https://clojars.org/repo/</url> 
<snapshots> 
<enabled>false</enabled> 
</snapshots> 
<releases> 
<enabled>true</enabled> 
</releases> 
</repository> 
</repositories> 
<dependencies> 
<dependency> 
<groupId>org.yaml</groupId> 
<artifactId>snakeyaml</artifactId> 
<version>1.13</version> 
</dependency> 
<dependency> 
<groupId>org.apache.zookeeper</groupId> 
<artifactId>zookeeper</artifactId> 
<version>3.3.3</version> 
</dependency> 
<dependency> 
<groupId>org.clojure</groupId> 
<artifactId>clojure</artifactId> 
<version>1.5.1</version> 
</dependency> 
<dependency> 
<groupId>storm</groupId> 
<artifactId>storm</artifactId> 
<version>0.9.0.1</version> 
</dependency> 
<dependency> 
<groupId>storm</groupId> 
<artifactId>libthrift7</artifactId> 
<version>0.7.0</version> 
</dependency> 
</dependencies> 

下面是一个Storm的HelloWord的例子，代码有删减，熟悉Storm的读者自然能把代码组织成一个完整的例子。

public static void main(String[] args) { 
Config conf = new Config(); 
conf.put(Config.STORM_LOCAL_DIR, "/Volumes/Study/data/storm"); 
conf.put(Config.STORM_CLUSTER_MODE, "local"); 
//conf.put("storm.local.mode.zmq", "false"); 
conf.put("storm.zookeeper.root", "/storm"); 
conf.put("storm.zookeeper.session.timeout", 50000); 
conf.put("storm.zookeeper.servers", "nowledgedata-n15"); 
conf.put("storm.zookeeper.port", 2181); 
//conf.setDebug(true); 
//conf.setNumWorkers(2); 
TopologyBuilder builder = new TopologyBuilder(); 
builder.setSpout("words", new TestWordSpout(), 2); 
builder.setBolt("exclaim2", new DefaultStringBolt(), 5) 
.shuffleGrouping("words"); 
LocalCluster cluster = new LocalCluster(); 
cluster.submitTopology("test", conf, builder.createTopology()); 
} 

Config.STORM_LOCAL_DIR是配置一个本地路径，Storm会在这个路径写入一些配置信息和临时数据。

Config.STORM_CLUSTER_MODE是运行模式，local和distributed两个选项，即本地模式和分布式模式。本地模式在运行时时多线程模拟的，开发测试用；分布式模式在分布式集群下是多进程的，真正的分布式。

Storm的Spout和Blot高可用是通过ZooKeeper协调的，storm.zookeeper.root是一个ZooKeeper地址，并且有对应的端口号

Debug是测试模式，有更详细的日志信息。

TestWordSpout是一个Storm自带的例子，用来随机的产生new String[] {“nathan”, “mike”, “jackson”, “golda”, “bertels”};列表中的字符串，用来提供数据源。

其中DefaultStringBolt的源码：

OutputCollector collector; 
public void prepare(Map conf, TopologyContext context, OutputCollector collector) { 
this.collector = collector; 
} 
public void execute(Tuple tuple) { 
log.info("rev a message: " + tuple.getString(0)); 
collector.emit(tuple, new Values(tuple.getString(0) + "!!!")); 
collector.ack(tuple); 
} 

运行日志：

10658 [Thread-29-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson 
10658 [Thread-31-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson 
10758 [Thread-26-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: mike 
10758 [Thread-33-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan 
10859 [Thread-26-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan 
10859 [Thread-29-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: bertels 
10961 [Thread-31-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson 
10961 [Thread-33-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson 
11061 [Thread-35-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan 
11062 [Thread-35-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan 
11162 [Thread-26-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: bertels 
11163 [Thread-26-exclaim2] INFO cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson 

数据由一个Storm叫做喷嘴（Spout，也相当一个水龙头，能产生数据的来源端）产生，然后传递给后端一连串的的Blot，最终被转换和消费。而Spout和Blot都是并行的，并行度都可以自己设置（本地运行是靠多线程模拟的）。如：

builder.setSpout("words", new TestWordSpout(), 2); 
builder.setBolt("exclaim2", new DefaultStringBolt(), 5) 

喷嘴TestWordSpout的并行度是2，DefaultStringBolt的并行度是5.

从日志可以看出，数据经过喷嘴到达预先定于的一个Blot，打印了日志。我测试代码设置的并行度是5，日志中统计，确实是5个线程：

Thread-29-exclaim2 
Thread-31-exclaim2 
Thread-26-exclaim2 
Thread-33-exclaim2 
Thread-35-exclaim2 

关于Storm是是什么？这里有详细的介绍。

借用OSC网友的话说，Hadoop就是商场里自动升降式的电梯，用户需要排队等待，选按楼层，然后到达；而Storm就像是自动扶梯，扶梯预先设置好运行后，来人就立即运走，目的地是明确的。

Storm按我的理解，Storm和Hadoop是完全不同的，设计上也没有半点拟合的部分。Storm更像是我之前介绍过的Spring Integration，是一个数据流系统。它能把数据按照预设定的流程，把数据做各种转换，传递，分解，合并，***数据到达后端存储。只不过Storm是可以分布式，而且分布式的能力也是可以自己设置。

Storm的这种特性很适合大数据类的ETL系统开发。