大数据和分析· Storm·Storm Trident

全部教程

Storm Trident

Trident是Storm的延伸。像Storm一样，Trident也是由Twitter开发的。开发Trident的主要原因是在Storm之上提供高级抽象以及有状态流处理和低延迟分布式查询。

Trident使用喷嘴和螺栓，但这些底层组件在执行前由Trident自动生成。Trident具有功能，过滤器，连接，分组和聚合。

Trident处理流作为一系列被称为交易的批次。通常，这些小批量的大小将取决于数千或数百万个元组，取决于输入流。这样，Trident不同于Storm，它执行元组处理。

批处理概念与数据库事务非常相似。每笔交易都分配一个交易ID。一旦所有处理完成，交易即被视为成功。但是，处理一个事务元组失败将导致整个事务被重新传输。对于每个批次，Trident将在交易开始时调用beginCommit，并在结束时进行提交。

Trident拓扑

Trident API公开了使用“TridentTopology”类创建Trident拓扑的简单选项。基本上，Trident拓扑接收来自喷口的输入流并且在该流上执行有序的操作序列（过滤，聚合，分组等）。Storm元组被Trident元组取代，螺栓被操作取代。一个简单的Trident拓扑可以创建如下

TridentTopology topology = new TridentTopology();

Trident元组

Trident元组是一个已命名的值列表。TridentTuple接口是Trident拓扑的数据模型。TridentTuple接口是可以由Trident拓扑处理的基本数据单元。

Trident喷口

Trident喷口与Storm喷口相似，具有使用Trident功能的附加选项。实际上，我们仍然可以使用我们在Storm拓扑中使用的IRichSpout，但它本质上不具有事务性，我们将无法使用Trident提供的优势。

具有使用Trident功能的所有功能的基本喷嘴是“ITridentSpout”。它支持事务性和不透明事务语义。其他喷嘴是IBatchSpout，IPartitionedTridentSpout和IOpaquePartitionedTridentSpout。

除了这些通用喷嘴之外，Trident还有很多Trident喷嘴的实例。其中一个是FeederBatchSpout喷口，我们可以使用它轻松发送Trident元组的命名列表，而无需担心批处理，并行性等问题。

FeederBatchSpout的创建和数据馈送可以按照如下所示完成

TridentTopology topology = new TridentTopology();
FeederBatchSpout testSpout = new FeederBatchSpout(
   ImmutableList.of("fromMobileNumber", "toMobileNumber", “duration”));
topology.newStream("fixed-batch-spout", testSpout)
testSpout.feed(ImmutableList.of(new Values("1234123401", "1234123402", 20)));

Trident操作

Trident依靠“Trident操作”来处理Trident元组的输入流。Trident API具有许多内置操作来处理从简单到复杂的流处理。这些操作从简单验证到复杂的Trident元组分组和聚合。让我们来看看最重要和最常用的操作。

过滤

过滤器是用于执行输入验证任务的对象。Trident过滤器获取Trident元组字段的子集作为输入，并根据某些条件是否满足返回true或false。如果返回true，则元组保存在输出流中; 否则，该元组将从流中移除。过滤器将基本上继承自 BaseFilter 类并实现 isKeep 方法。以下是过滤器操作的示例实现

public class MyFilter extends BaseFilter {
   public boolean isKeep(TridentTuple tuple) {
      return tuple.getInteger(1) % 2 == 0;
   }
}

输入

[1, 2]
[1, 3]
[1, 4]

输出

[1, 2]
[1, 4]

可以使用“每个”方法在拓扑中调用过滤器函数。“Fields”类可用于指定输入（Trident元组的子集）。示例代码如下

TridentTopology topology = new TridentTopology();
topology.newStream("spout", spout)
.each(new Fields("a", "b"), new MyFilter())

功能

函数是用于在单个Trident元组上执行简单操作的对象。它需要Trident元组字段的子集并发出零个或更多新的Trident元组字段。

函数基本上从 BaseFunction 类继承并实现了 execute 方法。下面给出了一个示例实现 -

public class MyFunction extends BaseFunction {
   public void execute(TridentTuple tuple, TridentCollector collector) {
      int a = tuple.getInteger(0);
      int b = tuple.getInteger(1);
      collector.emit(new Values(a + b));
   }
}

输入

[1, 2]
[1, 3]
[1, 4]

输出

[1, 2, 3]
[1, 3, 4]
[1, 4, 5]

就像过滤器操作一样，可以使用每种方法在拓扑中调用函数操作。示例代码如下

TridentTopology topology = new TridentTopology();
topology.newStream("spout", spout)
   .each(new Fields(“a, b"), new MyFunction(), new Fields(“d")));

聚合

聚集是用于对输入批处理或分区或流执行聚合操作的对象。Trident有三种类型的聚合。他们如下

聚集 - 孤立地聚集每批Trident元组。在聚合过程中，元组最初使用全局分组重新分区，以将同一批次的所有分区合并到一个分区中。
partitionAggregate - 聚合每个分区，而不是整个批次的Trident元组。分区聚合的输出完全替换了输入元组。分区聚合的输出包含单个字段元组。
persistentaggregate - 在所有批次的所有Trident元组上聚合并将结果存储在内存或数据库中。

TridentTopology topology = new TridentTopology();

// aggregate operation
topology.newStream("spout", spout)
   .each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
   .aggregate(new Count(), new Fields(“count”))

// partitionAggregate operation
topology.newStream("spout", spout)
   .each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
   .partitionAggregate(new Count(), new Fields(“count"))

// persistentAggregate - saving the count to memory
topology.newStream("spout", spout)
   .each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
   .persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"));

可以使用CombinerAggregator，ReducerAggregator或通用Aggregator接口创建聚合操作。上面例子中使用的“count”聚合器是内置聚合器之一，它使用“CombinerAggregator”实现，具体实现如下

public class Count implements CombinerAggregator<Long> {
   @Override
   public Long init(TridentTuple tuple) {
      return 1L;
   }

   @Override
   public Long combine(Long val1, Long val2) {
      return val1 + val2;
   }

   @Override
   public Long zero() {
      return 0L;
   }
}

分组

分组操作是一种内置操作，可以通过 groupBy 方法调用。groupBy方法通过在指定的字段上执行partitionBy来重新分区流，然后在每个分区内将它的组字段相等的元组分组在一起。通常，我们使用“groupBy”和“persistentAggregate”来获得分组聚合。示例代码如下

TridentTopology topology = new TridentTopology();

// persistentAggregate - saving the count to memory
topology.newStream("spout", spout)
   .each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
   .groupBy(new Fields(“d”)
   .persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"));

合并和加入

合并和连接可以分别使用“合并”和“连接”方法完成。合并合并一个或多个流。连接类似于合并，除了连接使用来自双方的三叉形元组字段来检查和连接两个流。而且，加入只能在批次级别下工作。示例代码如下

TridentTopology topology = new TridentTopology();
topology.merge(stream1, stream2, stream3);
topology.join(stream1, new Fields("key"), stream2, new Fields("x"),
   new Fields("key", "a", "b", "c"));

状态维护

Trident提供了状态维护机制。状态信息可以存储在拓扑本身中，否则可以将其存储在单独的数据库中。原因是维护一个状态，即如果任何元组在处理期间失败，则重试失败的元组。这在更新状态时会产生问题，因为您不确定此元组的状态是否已更新过。如果元组在更新状态之前失败了，那么重试元组将使状态稳定。但是，如果元组在更新状态后失败，则重试同一元组将再次增加数据库中的计数并使状态不稳定。需要执行以下步骤来确保消息只处理一次

小批量处理元组。
为每个批次分配一个唯一的ID。如果批次重试，则会给出相同的唯一ID。
状态更新在批次中排序。例如，第二批次的状态更新将不可能，直到第一批次的状态更新完成。

分布式RPC

分布式RPC用于查询和检索Trident拓扑的结果。Storm有一个内置的分布式RPC服务器。分布式RPC服务器接收来自客户端的RPC请求并将其传递给拓扑。拓扑处理请求并将结果发送到分布式RPC服务器，该服务器由分布式RPC服务器重定向到客户端。Trident的分布式RPC查询像普通的RPC查询一样执行，除了这些查询是并行运行的。

何时使用Trident？

和许多用例一样，如果需求只处理查询一次，我们可以通过在Trident中编写拓扑来实现。另一方面，在Storm的情况下，很难实现一次处理。因此Trident对那些需要精确处理一次的用例非常有用。Trident并非针对所有用例，特别是高性能用例，因为它增加了Storm的复杂性并管理了状态。

Trident的工作例子

我们将把我们在前一节中制定的呼叫日志分析器应用程序转换为Trident框架。由于其高级API，Trident应用相对简单Storm相对容易。Storm基本上需要执行Trident中的Function，Filter，Aggregate，GroupBy，Join和Merge操作中的任何一个。最后，我们将使用 LocalDRPC 类启动DRPC服务器，并使用 LocalDRPC 类的执行方法搜索一些关键字。

格式化通话信息

FormatCall类的用途是格式化包含“呼叫者号码”和“接收者号码”的呼叫信息。完整的程序代码如下所示 -

编码：FormatCall.java

import backtype.storm.tuple.Values;

import storm.trident.operation.BaseFunction;
import storm.trident.operation.TridentCollector;
import storm.trident.tuple.TridentTuple;

public class FormatCall extends BaseFunction {
   @Override
   public void execute(TridentTuple tuple, TridentCollector collector) {
      String fromMobileNumber = tuple.getString(0);
      String toMobileNumber = tuple.getString(1);
      collector.emit(new Values(fromMobileNumber + " - " + toMobileNumber));
   }
}

CSVSplit

CSVSplit类的用途是根据“逗号（，）”分割输入字符串并发送字符串中的每个单词。该函数用于解析分布式查询的输入参数。完整的代码如下 -

编码：CSVSplit.java

import backtype.storm.tuple.Values;

import storm.trident.operation.BaseFunction;
import storm.trident.operation.TridentCollector;
import storm.trident.tuple.TridentTuple;

public class CSVSplit extends BaseFunction {
   @Override
   public void execute(TridentTuple tuple, TridentCollector collector) {
      for(String word: tuple.getString(0).split(",")) {
         if(word.length() > 0) {
            collector.emit(new Values(word));
         }
      }
   }
}

日志分析器

这是主要的应用程序。最初，应用程序将使用 FeederBatchSpout 初始化TridentTopology并提供来电者信息。Trident拓扑流可以使用TridentTopology类的 newStream 方法创建。同样，可以使用TridentTopology类的 newDRCPStream 方法创建Trident拓扑DRPC流。一个简单的DRCP服务器可以使用LocalDRPC类创建。 LocalDRPC 具有执行搜索某个关键字的方法。完整的代码如下。

编码：LogAnalyserTrident.java

import java.util.*;

import backtype.storm.Config;
import backtype.storm.LocalCluster;
import backtype.storm.LocalDRPC;
import backtype.storm.utils.DRPCClient;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Values;

import storm.trident.TridentState;
import storm.trident.TridentTopology;
import storm.trident.tuple.TridentTuple;

import storm.trident.operation.builtin.FilterNull;
import storm.trident.operation.builtin.Count;
import storm.trident.operation.builtin.Sum;
import storm.trident.operation.builtin.MapGet;
import storm.trident.operation.builtin.Debug;
import storm.trident.operation.BaseFilter;

import storm.trident.testing.FixedBatchSpout;
import storm.trident.testing.FeederBatchSpout;
import storm.trident.testing.Split;
import storm.trident.testing.MemoryMapState;

import com.google.common.collect.ImmutableList;

public class LogAnalyserTrident {
   public static void main(String[] args) throws Exception {
      System.out.println("Log Analyser Trident");
      TridentTopology topology = new TridentTopology();

      FeederBatchSpout testSpout = new FeederBatchSpout(ImmutableList.of("fromMobileNumber",
         "toMobileNumber", "duration"));

      TridentState callCounts = topology
         .newStream("fixed-batch-spout", testSpout)
         .each(new Fields("fromMobileNumber", "toMobileNumber"),
         new FormatCall(), new Fields("call"))
         .groupBy(new Fields("call"))
         .persistentAggregate(new MemoryMapState.Factory(), new Count(),
         new Fields("count"));

      LocalDRPC drpc = new LocalDRPC();

      topology.newDRPCStream("call_count", drpc)
         .stateQuery(callCounts, new Fields("args"), new MapGet(), new Fields("count"));

      topology.newDRPCStream("multiple_call_count", drpc)
         .each(new Fields("args"), new CSVSplit(), new Fields("call"))
         .groupBy(new Fields("call"))
         .stateQuery(callCounts, new Fields("call"), new MapGet(),
         new Fields("count"))
         .each(new Fields("call", "count"), new Debug())
         .each(new Fields("count"), new FilterNull())
         .aggregate(new Fields("count"), new Sum(), new Fields("sum"));

      Config conf = new Config();
      LocalCluster cluster = new LocalCluster();
      cluster.submitTopology("trident", conf, topology.build());
      Random randomGenerator = new Random();
      int idx = 0;

      while(idx < 10) {
         testSpout.feed(ImmutableList.of(new Values("1234123401",
            "1234123402", randomGenerator.nextInt(60))));

         testSpout.feed(ImmutableList.of(new Values("1234123401",
            "1234123403", randomGenerator.nextInt(60))));

         testSpout.feed(ImmutableList.of(new Values("1234123401",
            "1234123404", randomGenerator.nextInt(60))));

         testSpout.feed(ImmutableList.of(new Values("1234123402",
            "1234123403", randomGenerator.nextInt(60))));

         idx = idx + 1;
      }

      System.out.println("DRPC : Query starts");
      System.out.println(drpc.execute("call_count","1234123401 - 1234123402"));
      System.out.println(drpc.execute("multiple_call_count", "1234123401 -
         1234123402,1234123401 - 1234123403"));
      System.out.println("DRPC : Query ends");

      cluster.shutdown();
      drpc.shutdown();

      // DRPCClient client = new DRPCClient("drpc.server.location", 3772);
   }
}

构建和运行应用程序

完整的应用程序有三个Java代码。他们如下 -

FormatCall.java
CSVSplit.java
LogAnalyerTrident.java

应用程序可以通过使用以下命令来构建 -

javac -cp “/path/to/storm/apache-storm-0.9.5/lib/*” *.java

该应用程序可以通过使用以下命令运行 -

java -cp “/path/to/storm/apache-storm-0.9.5/lib/*”:. LogAnalyserTrident

输出

应用程序启动后，应用程序将输出关于集群启动过程，操作处理，DRPC服务器和客户端信息以及集群关闭过程的完整详细信息。该输出将显示在控制台上，如下所示。

DRPC : Query starts
[["1234123401 - 1234123402",10]]
DEBUG: [1234123401 - 1234123402, 10]
DEBUG: [1234123401 - 1234123403, 10]
[[20]]
DRPC : Query ends

下一章：Storm Twitter

在本章中，我们将讨论Apache Storm的实时应用程序。我们将看到Twitter如何使用Storm。推特Twitter是一种在线社交网络服务，提供发送和接收用户推文的平台。注册用户可以阅读和发布推 ...

上一章：Storm 示例

下一章：Storm Twitter