storm-编程入门

关注

原创最新推荐文章于 2026-06-13 21:54:43 发布 4.5k 阅读 AI 写同款· GEO 优化 ›

Storm超实用教程详解-附示例 Storm 中最重要的抽象，应该就是 Stream grouping 了，它能够控制 Spot/Bolt 对应的 Task 以什么样的方式来分发 Tuple，将 Tuple 发射到目的 Spot/Bolt 对应的 Task.定义拓扑的时候，一部分工作是指定每个Bolt应该消费哪些流。是一个轻量级的数据格式，支持基本的类型，如果想实现自定义的类型，需要实现自己的序列化方式。把数据的计算处理过程合理的拆分到多个Bolt、合理设置Bolt的task数量，能够提高Bolt的处理能力，提升流水线的并发度。阅读详情

一编程接口

Spout 接口
Spout组件的实现可以通过继承BaseRichSpout类或者其他*Spout类来完成，也可以通过实现IRichSpout接口来实现。需要根据情况实方法有：

open方法
当一个Task被初始化的时候会调用此open方法。一般都会在此方法中对发送Tuple的对象SpoutOutputCollector和配置对象TopologyContext初始化。示例如下：

 public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) { 
          _collector = collector;
}

declareOutputFields方法
此方法用于声明当前Spout的Tuple发送流的域名字。Stream流的定义是通过OutputFieldsDeclare.declareStream方法完成的，其中参数为域名。示例如下：

 public void declareOutputFields(OutputFieldsDeclarer declarer) {
         declarer.declare(new Fields("word"));
 }

getComponentConfiguration方法

此方法定义在BaseComponent类内，用于声明针对当前组件的特殊的Configuration配置。示例如下：

public Map<String, Object> getComponentConfiguration() {
         if(!_isDistributed) {
           Map<String, Object> ret = new HashMap<String, Object>();
           ret.put(Config.TOPOLOGY_MAX_TASK_PARALLELISM, 3);
           return ret;
         } else {
             return null;
         }
 }

这里便是设置了Topology中当前Component的线程数量上限。
nextTuple方法
这是Spout类中最重要的一个方法。发射一个Tuple到Topology都是通过这个方法来实现的。示例如下：

    public void nextTuple() {
         Utils.sleep(100);
         final String[] words = new String[] {"twitter","facebook","google"};
         final Random rand = new Random();
         final String word = words[rand.nextInt(words.length)];
         _collector.emit(new Values(word));
    }

这里便是从一个数组中随机选取一个单词作为Tuple，然后通过_collector发送到Topology。

另外，除了上述几个方法之外，还有ack、fail和close方法等。Storm在监测到一个Tuple被成功处理之后会调用ack方法，处理失败会调用fail方法，这两个方法在BaseRichSpout类中已经被隐式的实现了。

Bolts 接口

Bolt类接收由Spout或者其他上游Bolt类发来的Tuple，对其进行处理。Bolt组件的实现可以通过继承BasicRichBolt类或者IRichBolt接口来完成。Bolt类需要实现的主要方法有：

prepare方法
此方法和Spout中的open方法类似，为Bolt提供了OutputCollector，用来从Bolt中发送Tuple。示例如下：

public void prepare(Map conf, TopologyContext context, OutputCollector collector) {       
         _collector = collector;
}

注：Bolt中Tuple的发送可以在prepare方法中、execute方法中、cleanup等方法中进行，一般都是些在execute中。

declareOutputFields 方法
用于声明当前Bolt发送的Tuple中包含的字段，和Spout中类似。示例如下：

 public void declareOutputFields(OutputFieldsDeclarer declarer) {
        declarer.declare(new Fields("obj", "count", "length"));
 }

此例说明当前Bolt类发送的Tuple包含了三个字段："obj", "count", "length"。

getComponentConfiguration方法

和Spout类一样，在Bolt中也可以有getComponentConfiguration方法。示例如下：

public Map<String, Object> getComponentConfiguration() {
         Map<String, Object> conf = new HashMap<String, Object>();
         conf.put(Config.TOPOLOGY_TICK_TUPLE_FREQ_SECS, emitFrequencyInSeconds);
         return conf;

此例定义了从系统组件“_system”的“_tick”流中发送Tuple到当前Bolt的频率，当系统需要每隔一段时间执行特定的处理时，就可以利用这个系统的组件的特性来完成。

execute方法
这是Bolt中最关键的一个方法，对于Tuple的处理都可以放到此方法中进行。具体的发送也是通过emit方法来完成的。此时，有两种情况，一种是emit方法中有两个参数，另一个种是有一个参数。
(1) emit有一个参数：此唯一的参数是发送到下游Bolt的Tuple，此时，由上游发来的旧的Tuple在此隔断，新的Tuple和旧的Tuple不再属于同一棵Tuple树。新的Tuple另起一个新的Tuple树。
(2) emit有两个参数：第一个参数是旧的Tuple的输入流，第二个参数是发往下游Bolt的新的Tuple流。此时，新的Tuple和旧的Tuple是仍然属于同一棵Tuple树，即如果下游的Bolt处理Tuple失败，则会向上传递到当前Bolt，当前Bolt根据旧的Tuple流继续往上游传递，申请重发失败的Tuple。保证Tuple处理的可靠性。
这两种情况要根据自己的场景来确定。示例如下：

  public void execute(Tuple tuple) {
            _collector.emit(tuple, new Values(tuple.getString(0) + "!!!"));
            _collector.ack(tuple);
  }

注：输入Tuple一般在最后一行被ack

 public void execute(Tuple tuple) {
         _collector.emit(new Values(tuple.getString(0) + "!!!"));
  }

此外还有ack方法、fail方法、cleanup方法等。其中cleanup方法和Spout中的close方法类似，都是在当前Component关闭时调用，但是针对实时计算来说，除非一些特殊的场景要求以外，这两个方法一般都很少用到。

注：cleanup方法在bolt被关闭的时候调用，它应该清理所有被打开的资源。但是集群不保证这个方法一定会被执行。比如执行task的机器down掉了，那么根本就没有办法来调用那个方法。 cleanup设计的时候是被用来在local mode的时候才被调用(也就是说在一个进程里面模拟整个storm集群), 并且你想在关闭一些topology的时候避免资源泄漏。

有几点需要说明的地方：
1.每个组件(Spout或者Bolt)的构造方法和declareOutputFields方法都只被调用一次。
2.open方法、prepare方法的调用是多次的。入口函数中设定的setSpout或者setBolt里的并行度参数指的是executor的数目，即负责运行组件中的task的线程的数目，此数目是多少，上述的两个方法就会被调用多少次，在每个executor运行的时候调用一次。相当于一个线程的构造方法。
3.nextTuple方法、execute方法是一直被运行的，nextTuple方法不断的发射Tuple，Bolt的execute不断的接收Tuple进行处理。只有这样不断地运行，才会产生无界的Tuple流，体现实时性。
4.在提交了一个topology之后，Storm就会创建spout/bolt实例并进行序列化。之后，将序列化的component发送给所有的任务所在的机器(即Supervisor节点)，在每一个任务上反序列化component。
5. Spout和Bolt之间、Bolt和Bolt之间的通信，是通过zeroMQ的消息队列实现的。

二作业的提交

下面的代码展示了以本地运行方式提交一个Topology作业

//Topology definition
   TopologyBuilder builder = new TopologyBuilder();
   builder.setSpout("word-reader",new WordReader());
   builder.setBolt("word-normalizer", new WordNormalizer())
     .shuffleGrouping("word-reader");
   builder.setBolt("word-counter", new WordCount(),1)
     .fieldsGrouping("word-normalizer", new Fields("word"));

  //Configuration
    Config conf = new Config();
   conf.put("wordsFile", args[0]);
   conf.setDebug(true);

  //Topology run
   conf.put(Config.TOPOLOGY_MAX_SPOUT_PENDING, 1);
   LocalCluster cluster = new LocalCluster();
   cluster.submitTopology("Getting-Started-Toplogie", conf, builder.createTopology());
   Thread.sleep(2000);
   cluster.shutdown();

此例中的builder是TopologyBuilder对象，通过它的createTopology方法可以创建一个Topology对象，同时此builder还要定义当前Topology中用到的Spout和Bolt对象，分别通过setSpout方法和setBolt方法来完成。

setSpout方法和setBolt方法中的第一个参数是当前的Component组件的Stream流ID号；第二个参数是具体的Component实现类的构造；第三个参数是当前Component的并行执行的线程数目，Storm会根据这个数字的累加和来确定Topology的Task数目。

通过一个LocalCluster对象来定义一个进程内的集群。提交topology给这个虚拟的集群和提交topology给分布式集群是一样的。通过调用submitTopology方法来提交topology，它接受三个参数：要运行的topology的名字，一个配置对象以及要运行的topology本身。

下面对worker、executor以及task做一下说明：

worker:每个worker都属于一个特定的Topology，每个Supervisor节点的worker可以有多个，每个worker使用一个单独的端口，它对Topology中的每个component运行一个或者多个executor线程来提供task的运行服务。其数目可以通过设置yaml中的topology.workers属性以及在代码中通过Config的setNumWorkers方法设定。

executor：产生于worker进程内部的线程，会执行同一个component的一个或者多个task。其数目可以在Topology的入口类中setBolt、setSpout方法的最后一个参数指定，不指定的话，默认为1；

task：实际的数据处理由task完成，在Topology的生命周期中，每个组件的task数目是不会发生变化的，而executor的数目却不一定。executor数目小于等于task的数目，默认情况下，二者是相等的。在代码中通过TopologyBuilder的setNumTasks方法设定具体某个组件的task数目；

有几点需要说明的地方：
1.Storm提交后，会把代码首先存放到Nimbus节点的inbox目录下，之后，会把当前Storm运行的配置生成一个stormconf.ser文件放到Nimbus节点的stormdist目录中，在此目录中同时还有序列化之后的Topology代码文件；

2.在设定Topology所关联的Spouts和Bolts时，可以同时设置当前Spout和Bolt的executor数目和task数目，默认情况下，一个Topology的task的总和是和executor的总和一致的。之后，系统根据worker的数目，尽量平均的分配这些task的执行。worker在哪个supervisor节点上运行是由storm本身决定的；

3. 任务分配好之后，Nimbes节点会将任务的信息提交到zookeeper集群，同时在zookeeper集群中会有workerbeats节点，这里存储了当前Topology的所有worker进程的心跳信息；

4. Supervisor节点会不断的轮询zookeeper集群，在zookeeper的assignments节点中保存了所有Topology的任务分配信息、代码存储目录、任务之间的关联关系等，Supervisor通过轮询此节点的内容，来领取自己的任务，启动worker进程运行；

5.一个Topology运行之后，就会不断的通过Spouts来发送Stream流，通过Bolts来不断的处理接收到的Stream流，Stream流是无界的。最后一步会不间断的执行，除非手动结束Topology。

6.通过在Nimbus节点利用如下命令来终止一个Topology的运行：storm kill topologyName kill之后，可以通过UI界面查看topology状态，会首先变成KILLED状态，在清理完本地目录和zookeeper集群中的和当前Topology相关的信息之后，此Topology就会彻底消失了。

三分组策略

1.shuffleGrouping 随机分组

builder.setBolt("word-normalizer", new WordNormalizer())

.shuffleGrouping("word-reader");

它只有一个参数（数据源组件），并且数据源会向随机选择的bolt发送元组，保证每个消费者收到近似数量的元组。

2.fieldsGrouping 域数据流组

builder.setBolt("word-counter", new WordCounter(),2)
.fieldsGrouping("word-normalizer", new Fields("word"));

域数据流组允许你基于元组的一个或多个域控制如何把元组发送给bolts。它保证拥有相同域组合的值集发送给同一个bolt。

注: 在域数据流组中的所有域集合必须存在于数据源的域声明中

3.allGrouping 全部数据流组

builder.setBolt("word-counter", new WordCounter(),2)
.fieldsGroupint("word-normalizer",new Fields("word"))
.allGrouping("signals-spout","signals");

全部数据流组，为每个接收数据的实例复制一份元组副本。这种分组方式用于向所有bolts发送信号。比如，你要刷新缓存，你可以向所有的bolts发送一个刷新缓存信号。

4.customGrouping 自定义数据流组

builder.setBolt("word-normalizer", new WordNormalizer())
.customGrouping("word-reader", new ModuleGrouping());

5.directGrouping 直接数据流组

builder.setBolt("word-counter", new WordCounter(),2)
.directGrouping("word-normalizer");

这是一个特殊的数据流组，数据源可以用它决定哪个组件接收元组。与前面的例子类似，数据源将根据单词首字母决定由哪个bolt接收元组。

6.全局数据流组

全局数据流组把所有数据源创建的元组发送给单一目标实例（即拥有最低ID的任务）。