storm进行大数据实时分析(共20页).docx

《storm进行大数据实时分析(共20页).docx》由会员分享，可在线阅读，更多相关《storm进行大数据实时分析(共20页).docx（19页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上使用Storm实现实时大数据分析！发表于2012-12-24 16:54|6074次阅读| 来源Dr.Dobbs|20条评论| 作者Shruthi Kumar、Siddharth Patankar摘要：随着数据体积的越来越大，实时处理成为了许多机构需要面对的首要挑战。Shruthi Kumar和Siddharth Patankar在Dr.Dobbs上结合了汽车超速监视，为我们演示了使用Storm进行实时大数据分析。CSDN在此编译、整理。简单和明了，Storm让大数据分析变得轻松加愉快。当今世界，公司的日常运营经常会生成TB级别的数据。数据来源囊括了互联网装置可以捕获

2、的任何类型数据，网站、社交媒体、交易型商业数据以及其它商业环境中创建的数据。考虑到数据的生成量，实时处理成为了许多机构需要面对的首要挑战。我们经常用的一个非常有效的开源实时计算工具就是 Twitter开发，通常被比作“实时的Hadoop”。然而Storm远比Hadoop来的简单，因为用它处理大数据不会带来新老技术的交替。Shruthi Kumar、Siddharth Patankar共同效力于Infosys，分别从事技术分析和研发工作。本文详述了Storm的使用方法，例子中的项目名称为“超速报警系统（Speeding Alert System）”。我们想实现的功能是：实时分析过往车辆的数据，一

3、旦车辆数据超过预设的临界值 便触发一个trigger并把相关的数据存入数据库。Storm对比Hadoop的批处理，Storm是个实时的、分布式以及具备高容错的计算系统。同Hadoop一样Storm也可以处理大批量的数据，然而Storm在保证高可靠性的前提下还可以让处理进行的更加实时；也就是说，所有的信息都会被处理。Storm同样还具备容错和分布计算这些特性，这就让Storm可以扩展到不同的机器上进行大批量的数据处理。他同样还有以下的这些特性： 易于扩展。对于扩展，你只需要添加机器和改变对应的topology（拓扑）设置。Storm使用Hadoop Zookeeper进行集群协调，这样可以充分的

4、保证大型集群的良好运行。 每条信息的处理都可以得到保证。 Storm集群管理简易。 Storm的容错机能：一旦topology递交，Storm会一直运行它直到topology被废除或者被关闭。而在执行中出现错误时，也会由Storm重新分配任务。 尽管通常使用Java，Storm中的topology可以用任何语言设计。当然为了更好的理解文章，你首先需要安装和设置Storm。需要通过以下几个简单的步骤： 从Storm官方下载 将bin/directory解压到你的PATH上，并保证bin/storm脚本是可执行的。Storm组件Storm集群主要由一个主节点和一群工作节点（worker node）

5、组成，通过 Zookeeper进行协调。主节点：主节点通常运行一个后台程序 Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。这个很类似于Hadoop中的Job Tracker。工作节点：工作节点同样会运行一个后台程序 Supervisor，用于收听工作指派并基于要求运行工作进程。每个工作节点都是topology中一个子集的实现。而Nimbus和Supervisor之间的协调则通过Zookeeper系统或者集群。ZookeeperZookeeper是完成Supervisor和Nimbus之间协调的服务。而应用程序实现实时的逻辑则被封装进Storm中的“topology”。topol

6、ogy则是一组由Spouts（数据源）和Bolts（数据操作）通过Stream Groupings进行连接的图。下面对出现的术语进行更深刻的解析。Spout：简而言之，Spout从来源处读取数据并放入topology。Spout分成可靠和不可靠两种；当Storm接收失败时，可靠的Spout会对tuple（元组，数据项组成的列表）进行重发；而不可靠的Spout不会考虑接收成功与否只发射一次。而Spout中最主要的方法就是nextTuple（），该方法会发射一个新的tuple到topology，如果没有新tuple发射则会简单的返回。Bolt：Topology中所有的处理都由Bolt完成。Bolt

7、可以完成任何事，比如：连接的过滤、聚合、访问文件/数据库、等等。Bolt从Spout中接收数据并进行处理，如果遇到复杂流的处理也可能将tuple发送给另一个Bolt进行处理。而Bolt中最重要的方法是execute（），以新的tuple作为参数接收。不管是Spout还是Bolt，如果将tuple发射成多个流，这些流都可以通过declareStream（）来声明。Stream Groupings：Stream Grouping定义了一个流在Bolt任务间该如何被切分。这里有的6个Stream Grouping类型：1. 随机分组（Shuffle grouping）：随机分发tuple到Bolt的

8、任务，保证每个任务获得相等数量的tuple。2. 字段分组（Fields grouping）：根据指定字段分割数据流，并分组。例如，根据“user-id”字段，相同“user-id”的元组总是分发到同一个任务，不同“user-id”的元组可能分发到不同的任务。3. 全部分组（All grouping）：tuple被复制到bolt的所有任务。这种类型需要谨慎使用。4. 全局分组（Global grouping）：全部流都分配到bolt的同一个任务。明确地说，是分配给ID最小的那个task。5. 无分组（None grouping）：你不需要关心流是如何分组。目前，无分组等效于随机分组。但最终，S

9、torm将把无分组的Bolts放到Bolts或Spouts订阅它们的同一线程去执行（如果可能）。6. 直接分组（Direct grouping）：这是一个特别的分组类型。元组生产者决定tuple由哪个元组处理者任务接收。当然还可以实现CustomStreamGroupimg接口来定制自己需要的分组。项目实施当下情况我们需要给Spout和Bolt设计一种能够处理大量数据（日志文件）的topology，当一个特定数据值超过预设的临界值时促发警报。使用Storm的topology，逐行读入日志文件并且监视输入数据。在Storm组件方面，Spout负责读入输入数据。它不仅从现有的文件中读入数据，同时还

10、监视着新文件。文件一旦被修改Spout会读入新的版本并且覆盖之前的tuple（可以被Bolt读入的格式），将tuple发射给Bolt进行临界分析，这样就可以发现所有可能超临界的记录。下一节将对用例进行详细介绍。临界分析这一节，将主要聚焦于临界值的两种分析类型：瞬间临界（instant thershold）和时间序列临界（time series threshold）。 瞬间临界值监测：一个字段的值在那个瞬间超过了预设的临界值，如果条件符合的话则触发一个trigger。举个例子当车辆超越80公里每小时，则触发trigger。 时间序列临界监测：字段的值在一个给定的时间段内超过了预设的临界值，如果条

11、件符合则触发一个触发器。比如：在5分钟类，时速超过80KM两次及以上的车辆。Listing One显示了我们将使用的一个类型日志，其中包含的车辆数据信息有：车牌号、车辆行驶的速度以及数据获取的位置。AB 12360North cityBC 12370South cityCD 23440South cityDE 12340East cityEF 12390South cityGH 12350West city这里将创建一个对应的XML文件，这将包含引入数据的模式。这个XML将用于日志文件的解析。XML的设计模式和对应的说明请见下表。XML文件和日志文件都存放在Spout可以随时监测的目录下，用以

12、关注文件的实时更新。而这个用例中的topology请见下图。Figure 1：Storm中建立的topology，用以实现数据实时处理如图所示：FilelistenerSpout接收输入日志并进行逐行的读入，接着将数据发射给ThresoldCalculatorBolt进行更深一步的临界值处理。一旦处理完成，被计算行的数据将发送给DBWriterBolt，然后由DBWriterBolt存入给数据库。下面将对这个过程的实现进行详细的解析。Spout的实现Spout以日志文件和XML描述文件作为接收对象。XML文件包含了与日志一致的设计模式。不妨设想一下一个示例日志文件，包含了车辆的车牌号、行驶速度

13、、以及数据的捕获位置。（看下图）Figure2：数据从日志文件到Spout的流程图Listing Two显示了tuple对应的XML，其中指定了字段、将日志文件切割成字段的定界符以及字段的类型。XML文件以及数据都被保存到Spout指定的路径。Listing Two：用以描述日志文件的XML文件。1. 2. 3. 4. vehicle_number5. string6. 7. 8. 9. speed10. int11. 12. 13. 14. location15. string16. 17. 18. ,19. 通过构造函数及它的参数Directory、PathSpout和TupleInfo对

14、象创建Spout对象。TupleInfo储存了日志文件的字段、定界符、字段的类型这些很必要的信息。这个对象通过序列化XML时建立。Spout的实现步骤： 对文件的改变进行分开的监听，并监视目录下有无新日志文件添加。 在数据得到了字段的说明后，将其转换成tuple。 声明Spout和Bolt之间的分组，并决定tuple发送给Bolt的途径。Spout的具体编码在Listing Three中显示。Listing Three：Spout中open、nextTuple和delcareOutputFields方法的逻辑。1. publicvoidopen(Mapconf,TopologyContextc

15、ontext,SpoutOutputCollectorcollector) 2. 3. _collector=collector; 4. try 5. 6. fileReader=newBufferedReader(newFileReader(newFile(file); 7. 8. catch(FileNotFoundExceptione) 9. 10. System.exit(1); 11. 12. 13. 14. publicvoidnextTuple() 15. 16. protectedvoidListenFile(Filefile) 17. 18. Utils.sleep(2000

16、); 19. RandomAccessFileaccess=null; 20. Stringline=null; 21. try 22. 23. while(line=access.readLine()!=null) 24. 25. if(line!=null) 26. 27. Stringfields=null; 28. if(tupleInfo.getDelimiter().equals(|)fields=line.split(+tupleInfo.getDelimiter(); 29. else 30. fields=line.split(tupleInfo.getDelimiter()

17、; 31. if(tupleInfo.getFieldList().size()=fields.length)_collector.emit(newValues(fields); 32. 33. 34. 35. catch(IOExceptionex) 36. 37. 38. 39. publicvoiddeclareOutputFields(OutputFieldsDeclarerdeclarer) 40. 41. StringfieldsArr=newStringtupleInfo.getFieldList().size(); 42. for(inti=0;itupleInfo.getFi

18、eldList().size();i+) 43. 44. fieldsArri=tupleInfo.getFieldList().get(i).getColumnName(); 45. 46. declarer.declare(newFields(fieldsArr); 47. declareOutputFileds（）决定了tuple发射的格式，这样的话Bolt就可以用类似的方法将tuple译码。Spout持续对日志文件的数据的变更进行监听，一旦有添加Spout就会进行读入并且发送给Bolt进行处理。Bolt的实现Spout的输出结果将给予Bolt进行更深一步的处理。经过对用例的思考，我们的

19、topology中需要如Figure 3中的两个Bolt。Figure 3：Spout到Bolt的数据流程。ThresholdCalculatorBoltSpout将tuple发出，由ThresholdCalculatorBolt接收并进行临界值处理。在这里，它将接收好几项输入进行检查；分别是：临界值检查 临界值栏数检查（拆分成字段的数目） 临界值数据类型（拆分后字段的类型） 临界值出现的频数 临界值时间段检查Listing Four中的类，定义用来保存这些值。Listing Four:ThresholdInfo类1. publicclassThresholdInfoimplementsSer

20、ializable 2. 3. 4. privateStringaction; 5. privateStringrule; 6. privateObjectthresholdValue; 7. privateintthresholdColNumber; 8. privateIntegertimeWindow; 9. privateintfrequencyOfOccurence; 10. 基于字段中提供的值，临界值检查将被Listing Five中的execute（）方法执行。代码大部分的功能是解析和接收值的检测。Listing Five：临界值检测代码段1. publicvoidexecute

21、(Tupletuple,BasicOutputCollectorcollector) 2. 3. if(tuple!=null) 4. 5. ListinputTupleList=(List)tuple.getValues(); 6. intthresholdColNum=thresholdInfo.getThresholdColNumber(); 7. ObjectthresholdValue=thresholdInfo.getThresholdValue(); 8. StringthresholdDataType=tupleInfo.getFieldList().get(threshold

22、ColNum-1).getColumnType(); 9. IntegertimeWindow=thresholdInfo.getTimeWindow(); 10. intfrequency=thresholdInfo.getFrequencyOfOccurence(); 11. if(thresholdDataType.equalsIgnoreCase(string) 12. 13. StringvalueToCheck=inputTupleList.get(thresholdColNum-1).toString(); 14. StringfrequencyChkOp=thresholdIn

23、fo.getAction(); 15. if(timeWindow!=null) 16. 17. longcurTime=System.currentTimeMillis(); 18. longdiffInMinutes=(curTime-startTime)/(1000); 19. if(diffInMinutes=timeWindow) 20. 21. if(frequencyChkOp.equals(=) 22. 23. if(valueToCheck.equalsIgnoreCase(thresholdValue.toString() 24. 25. count.incrementAn

24、dGet(); 26. if(count.get()frequency) 27. splitAndEmit(inputTupleList,collector); 28. 29. 30. elseif(frequencyChkOp.equals(!=) 31. 32. if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString() 33. 34. count.incrementAndGet(); 35. if(count.get()frequency) 36. splitAndEmit(inputTupleList,collector);

25、37. 38. 39. elseSystem.out.println(Operatornotsupported); 40. 41. 42. else43. 44. if(frequencyChkOp.equals(=) 45. 46. if(valueToCheck.equalsIgnoreCase(thresholdValue.toString() 47. 48. count.incrementAndGet(); 49. if(count.get()frequency) 50. splitAndEmit(inputTupleList,collector); 51. 52. 53. elsei

26、f(frequencyChkOp.equals(!=) 54. 55. if(!valueToCheck.equalsIgnoreCase(thresholdValue.toString() 56. 57. count.incrementAndGet(); 58. if(count.get()frequency) 59. splitAndEmit(inputTupleList,collector); 60. 61. 62. 63. 64. elseif(thresholdDataType.equalsIgnoreCase(int)|thresholdDataType.equalsIgnoreC

27、ase(double)|thresholdDataType.equalsIgnoreCase(float)|thresholdDataType.equalsIgnoreCase(long)|thresholdDataType.equalsIgnoreCase(short) 65. 66. StringfrequencyChkOp=thresholdInfo.getAction(); 67. if(timeWindow!=null) 68. 69. longvalueToCheck=Long.parseLong(inputTupleList.get(thresholdColNum-1).toSt

28、ring(); 70. longcurTime=System.currentTimeMillis(); 71. longdiffInMinutes=(curTime-startTime)/(1000); 72. System.out.println(Differenceinminutes=+diffInMinutes); 73. if(diffInMinutes=timeWindow) 74. 75. if(frequencyChkOp.equals() 76. 77. if(valueToCheckfrequency) 81. splitAndEmit(inputTupleList,coll

29、ector); 82. 83. 84. elseif(frequencyChkOp.equals() 85. 86. if(valueToCheckDouble.parseDouble(thresholdValue.toString() 87. 88. count.incrementAndGet(); 89. if(count.get()frequency) 90. splitAndEmit(inputTupleList,collector); 91. 92. 93. elseif(frequencyChkOp.equals(=) 94. 95. if(valueToCheck=Double.

30、parseDouble(thresholdValue.toString() 96. 97. count.incrementAndGet(); 98. if(count.get()frequency) 99. splitAndEmit(inputTupleList,collector); 100. 101. 102. elseif(frequencyChkOp.equals(!=) 103. 104. . 105. 106. 107. 108. else109. splitAndEmit(null,collector); 110. 111. else112. 113. System.err.pr

31、intln(Emittingnullinbolt); 114. splitAndEmit(null,collector); 115. 116. 经由Bolt发送的的tuple将会传递到下一个对应的Bolt，在我们的用例中是DBWriterBolt。DBWriterBolt经过处理的tuple必须被持久化以便于触发tigger或者更深层次的使用。DBWiterBolt做了这个持久化的工作并把tuple存入了数据库。表的建立由prepare（）函数完成，这也将是topology调用的第一个方法。方法的编码如Listing Six所示。Listing Six：建表编码。1. publicvoidpr

32、epare(MapStormConf,TopologyContextcontext) 2. 3. try 4. 5. Class.forName(dbClass); 6. 7. catch(ClassNotFoundExceptione) 8. 9. System.out.println(Drivernotfound); 10. e.printStackTrace(); 11. 12. 13. try 14. 15. connectiondriverManager.getConnection( 16. jdbc:mysql:/+databaseIP+:+databasePort+/+datab

33、aseName,userName,pwd); 17. connection.prepareStatement(DROPTABLEIFEXISTS+tableName).execute(); 18. 19. StringBuildercreateQuery=newStringBuilder( 20. CREATETABLEIFNOTEXISTS+tableName+(); 21. for(Fieldfields:tupleInfo.getFieldList() 22. 23. if(fields.getColumnType().equalsIgnoreCase(String) 24. createQuery.append(fields.getColumnName()+VARCHAR(500),)