Storm 第三章 Storm编程案例及Stream Grouping详解

1 功能说明

　　设计一个topology，来实现对文档里面的单词出现的频率进行统计。整个topology分为三个部分：

　　SentenceSpout：数据源，在已知的英文句子中，随机发送一条句子出去。

　　SplitBolt：负责将单行文本记录（句子）切分成单词

　　CountBolt：负责对单词的频率进行累加

2 代码实现

package com.ntjr.bigdata;

import org.apache.storm.Config;
import org.apache.storm.LocalCluster;
import org.apache.storm.StormSubmitter;
import org.apache.storm.generated.AlreadyAliveException;
import org.apache.storm.generated.AuthorizationException;
import org.apache.storm.generated.InvalidTopologyException;
import org.apache.storm.topology.TopologyBuilder;
import org.apache.storm.tuple.Fields;

public class WrodCountTopolog {
    public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, AuthorizationException {
        //使用TopologyBuilder 构建一个topology
        TopologyBuilder topologyBuilder = new TopologyBuilder();
        //发送英文句子
        topologyBuilder.setSpout("sentenceSpout", new SentenceSpout(), 2);
        //将一行行的文本切分成单词
        topologyBuilder.setBolt("splitBolt", new SplitBolt(), 2).shuffleGrouping("sentenceSpout");
        //将单词的频率进行累加
        topologyBuilder.setBolt("countBolt", new CountBolt(), 2).fieldsGrouping("splitBolt", new Fields("word"));
        //启动topology的配置信息
        Config config = new Config();
        //定义集群分配多少个工作进程来执行这个topology
        config.setNumWorkers(3);
        
        //本地模式提交topology
        LocalCluster localCluster = new LocalCluster();
        localCluster.submitTopology("mywordCount", config, topologyBuilder.createTopology());
        
        //集群模式提交topology
        StormSubmitter.submitTopologyWithProgressBar("mywordCount", config, topologyBuilder.createTopology());

    }

}

package com.ntjr.bigdata;

import java.util.Map;

import org.apache.storm.spout.SpoutOutputCollector;
import org.apache.storm.task.TopologyContext;
import org.apache.storm.topology.OutputFieldsDeclarer;
import org.apache.storm.topology.base.BaseRichSpout;
import org.apache.storm.tuple.Fields;
import org.apache.storm.tuple.Values;

public class SentenceSpout extends BaseRichSpout {

    private static final long serialVersionUID = 1L;
    // 用来收集Spout输出的tuple
    private SpoutOutputCollector collector;

    @Override
    public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {
        this.collector = collector;

    }

    // 该方法会循环调用
    @Override
    public void nextTuple() {
        collector.emit(new Values("i am lilei love hanmeimei"));
    }

    // 消息源可以发送多条消息流，该方法定义输出的消息类型的字段
    @Override
    public void declareOutputFields(OutputFieldsDeclarer declarer) {
        declarer.declare(new Fields("love"));

    }

}

package com.ntjr.bigdata;

import java.util.Map;

import org.apache.storm.task.OutputCollector;
import org.apache.storm.task.TopologyContext;
import org.apache.storm.topology.OutputFieldsDeclarer;
import org.apache.storm.topology.base.BaseRichBolt;
import org.apache.storm.tuple.Fields;
import org.apache.storm.tuple.Tuple;
import org.apache.storm.tuple.Values;

public class SplitBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    // 该方法只会调用一次用来执行初始化
    @Override
    public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) {
        this.collector = collector;

    }

    // 接收的参数时spout发出来的句子，一个句子就是一个tuple
    @Override
    public void execute(Tuple input) {
        String line = input.getString(0);
        String[] words = line.split(" ");
        for (String word : words) {
            collector.emit(new Values(word, 1));
        }

    }

    // 定义输出类型，输出类型为单词和单词的数目和collector.emit(new Values(word, 1));对应
    @Override
    public void declareOutputFields(OutputFieldsDeclarer declarer) {
        declarer.declare(new Fields("word", "num"));

    }

}

package com.ntjr.bigdata;

import java.util.HashMap;
import java.util.Map;

import org.apache.storm.task.OutputCollector;
import org.apache.storm.task.TopologyContext;
import org.apache.storm.topology.OutputFieldsDeclarer;
import org.apache.storm.topology.base.BaseRichBolt;
import org.apache.storm.tuple.Tuple;

public class CountBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;
    private OutputCollector collector;
    // 用来保存最后的计算结果 key:单词，value：单词的个数
    Map<String, Integer> map = new HashMap<String, Integer>();

    // 该方法调用一次用来执行初始化
    @Override
    public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) {
        this.collector = collector;

    }

    @Override
    public void execute(Tuple input) {
        String word = input.getString(0);
        Integer num = input.getInteger(1);

        if (map.containsKey(word)) {
            Integer count = map.get(word);
            map.put(word, count + num);
        } else {
            map.put(word, num);
        }
        System.out.println("count:" + map);
    }

    @Override
    public void declareOutputFields(OutputFieldsDeclarer declarer) {

    }

}

3 执行流程图

3 Stream Grouping详解

　　3.1 Shuffle Grouping: 随机分组， 随机派发stream里面的tuple，保证每个bolt接收到的tuple数目大致相同。

　　3.2 Fields Grouping：按字段分组，比如按userid来分组，具有同样userid的tuple会被分到相同的Bolts里的一个task，而不同的userid则会被分配到不同的bolts里的task。

　　3.3 All Grouping：广播发送，对于每一个tuple，所有的bolts都会收到。

　　3.4 Global Grouping：全局分组， 这个tuple被分配到storm中的一个bolt的其中一个task。再具体一点就是分配给id值最低的那个task。

　　3.5 Non Grouping：不分组，这stream grouping个分组的意思是说stream不关心到底谁会收到它的tuple。目前这种分组和Shuffle grouping是一样的效果， 有一点不同的是storm会把这个bolt放到这个bolt的订阅者同一个线程里面去执行。

　　3.6 Direct Grouping： 直接分组， 这是一种比较特别的分组方法，用这种分组意味着消息的发送者指定由消息接收者的哪个task处理这个消息。只有被声明为Direct Stream的消息流可以声明这种分组方法。而且这种消息tuple必须使用emitDirect方法来发射。

　　　　　　　　　　　　消息处理者可以通过TopologyContext来获取处理它的消息的task的id （OutputCollector.emit方法也会返回task的id）。

　　3.7 Local or shuffle grouping：如果目标bolt有一个或者多个task在同一个工作进程中，tuple将会被随机发生给这些tasks。否则，和普通的Shuffle Grouping行为一致。