在基于Hadoop平台的很多应用场景中，我们需要对数据进行离线和实时分析，离线分析可以很容易地借助于Hive来实现统计分析，但是对于实时的需求Hive就不合适了。实时应用场景可以使用Storm，它是一个实时处理系统，它为实时处理类应用提供了一个计算模型，可以很容易地进行编程处理。为了统一离线和实时计算，一般情况下，我们都希望将离线和实时计算的数据源的集合统一起来作为输入，然后将数据的流向分别经由实时系统和离线分析系统，分别进行分析处理，这时我们可以考虑将数据源（如使用Flume收集日志）直接连接一个消息中间件，如Kafka，可以整合Flume+Kafka，Flume作为消息的Producer，生产的消息数据（日志数据、业务请求数据等等）发布到Kafka中，然后通过订阅的方式，使用Storm的Topology作为消息的Consumer，在Storm集群中分别进行如下两个需求场景的处理：
- 直接使用Storm的Topology对数据进行实时分析处理
- 整合Storm+HDFS，将消息处理后写入HDFS进行离线分析处理
实时处理，只要开发满足业务需要的Topology即可，不做过多说明。这里，我们主要从安装配置Kafka、Storm，以及整合Kafka+Storm、整合Storm+HDFS、整合Kafka+Storm+HDFS这几点来配置实践，满足上面提出的一些需求。配置实践使用的软件包如下所示：
- zookeeper-3.4.5.tar.gz
- kafka_2.9.2-0.8.1.1.tgz
- apache-storm-0.9.2-incubating.tar.gz
- hadoop-2.2.0.tar.gz
程序配置运行所基于的操作系统为CentOS 5.11。
Kafka安装配置
我们使用3台机器搭建Kafka集群：
在安装Kafka集群之前，这里没有使用Kafka自带的Zookeeper，而是独立安装了一个Zookeeper集群，也是使用这3台机器，保证Zookeeper集群正常运行。
首先，在h1上准备Kafka安装文件，执行如下命令：
3 |
tar xvzf kafka_2.9.2-0.8.1.1.tgz |
4 |
ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka |
5 |
chown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka |
修改配置文件/usr/local/kafka/config/server.properties，修改如下内容：
2 |
zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka |
这里需要说明的是，默认Kafka会使用ZooKeeper默认的/路径，这样有关Kafka的ZooKeeper配置就会散落在根路径下面，如果你有其他的应用也在使用ZooKeeper集群，查看ZooKeeper中数据可能会不直观，所以强烈建议指定一个chroot路径，直接在zookeeper.connect配置项中指定：
1 |
zookeeper.connect=h1:2181,h2:2181,h3:2181/kafka |
而且，需要手动在ZooKeeper中创建路径/kafka，使用如下命令连接到任意一台ZooKeeper服务器：
1 |
cd /usr/local/zookeeper |
在ZooKeeper执行如下命令创建chroot路径：
这样，每次连接Kafka集群的时候（使用--zookeeper选项），也必须使用带chroot路径的连接字符串，后面会看到。
然后，将配置好的安装文件同步到其他的h2、h3节点上：
1 |
scp -r /usr/local/kafka_2.9.2-0.8.1.1/ h2:/usr/local/ |
2 |
scp -r /usr/local/kafka_2.9.2-0.8.1.1/ h3:/usr/local/ |
最后，在h2、h3节点上配置，执行如下命令：
2 |
ln -s /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka |
3 |
chown -R kafka:kafka /usr/local/kafka_2.9.2-0.8.1.1 /usr/local/kafka |
并修改配置文件/usr/local/kafka/config/server.properties内容如下所示：
因为Kafka集群需要保证各个Broker的id在整个集群中必须唯一，需要调整这个配置项的值（如果在单机上，可以通过建立多个Broker进程来模拟分布式的Kafka集群，也需要Broker的id唯一，还需要修改一些配置目录的信息）。
在集群中的h1、h2、h3这三个节点上分别启动Kafka，分别执行如下命令：
1 |
bin/kafka-server-start.sh /usr/local/kafka/config/server.properties & |
可以通过查看日志，或者检查进程状态，保证Kafka集群启动成功。
我们创建一个名称为my-replicated-topic5的Topic，5个分区，并且复制因子为3，执行如下命令：
1 |
bin/kafka-topics.sh --create --zookeeper h1:2181,h2:2181,h3:2181/kafka --replication-factor 3 --partitions 5 --topic my-replicated-topic5 |
查看创建的Topic，执行如下命令：
1 |
bin/kafka-topics.sh --describe --zookeeper h1:2181,h2:2181,h3:2181/kafka --topic my-replicated-topic5 |
结果信息如下所示：
1 |
Topic:my-replicated-topic5 PartitionCount:5 ReplicationFactor:3 Configs: |
2 |
Topic: my-replicated-topic5 Partition: 0 Leader: 0 Replicas: 0,2,1 Isr: 0,2,1 |
3 |
Topic: my-replicated-topic5 Partition: 1 Leader: 0 Replicas: 1,0,2 Isr: 0,2,1 |
4 |
Topic: my-replicated-topic5 Partition: 2 Leader: 2 Replicas: 2,1,0 Isr: 2,0,1 |
5 |
Topic: my-replicated-topic5 Partition: 3 Leader: 0 Replicas: 0,1,2 Isr: 0,2,1 |
6 |
Topic: my-replicated-topic5 Partition: 4 Leader: 2 Replicas: 1,2,0 Isr: 2,0,1 |
上面Leader、Replicas、Isr的含义如下：
3 |
Replicas ： 复制该分区log的节点列表 |
4 |
Isr ： "in-sync" replicas，当前活跃的副本列表（是一个子集），并且可能成为Leader |
我们可以通过Kafka自带的bin/kafka-console-producer.sh和bin/kafka-console-consumer.sh脚本，来验证演示如果发布消息、消费消息。
在一个终端，启动Producer，并向我们上面创建的名称为my-replicated-topic5的Topic中生产消息，执行如下脚本：
1 |
bin/kafka-console-producer.sh --broker-list h1:9092,h2:9092,h3:9092 --topic my-replicated-topic5 |
在另一个终端，启动Consumer，并订阅我们上面创建的名称为my-replicated-topic5的Topic中生产的消息，执行如下脚本：
1 |
bin/kafka-console-consumer.sh --zookeeper h1:2181,h2:2181,h3:2181/kafka --from-beginning --topic my-replicated-topic5 |
可以在Producer终端上输入字符串消息行，然后回车，就可以在Consumer终端上看到消费者消费的消息内容。
也可以参考Kafka的Producer和Consumer的Java API，通过API编码的方式来实现消息生产和消费的处理逻辑。
Storm安装配置
Storm集群也依赖Zookeeper集群，要保证Zookeeper集群正常运行。Storm的安装配置比较简单，我们仍然使用下面3台机器搭建：
首先，在h1节点上，执行如下命令安装：
3 |
tar xvzf apache-storm-0.9.2-incubating.tar.gz |
4 |
ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm |
5 |
chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm |
然后，修改配置文件conf/storm.yaml，内容如下所示：
01 |
storm.zookeeper.servers: |
05 |
storm.zookeeper.port: 2181 |
09 |
supervisor.slots.ports: |
15 |
storm.local.dir: "/tmp/storm" |
将配置好的安装文件，分发到其他节点上：
1 |
scp -r /usr/local/apache-storm-0.9.2-incubating/ h2:/usr/local/ |
2 |
scp -r /usr/local/apache-storm-0.9.2-incubating/ h3:/usr/local/ |
最后，在h2、h3节点上配置，执行如下命令：
2 |
ln -s /usr/local/apache-storm-0.9.2-incubating /usr/local/storm |
3 |
chown -R storm:storm /usr/local/apache-storm-0.9.2-incubating /usr/local/storm |
Storm集群的主节点为Nimbus，从节点为Supervisor，我们需要在h1上启动Nimbus服务，在从节点h2、h3上启动Supervisor服务：
为了方便监控，可以启动Storm UI，可以从Web页面上监控Storm Topology的运行状态，例如在h2上启动：
这样可以通过访问http://h2:8080/来查看Topology的运行状况。
整合Kafka+Storm
消息通过各种方式进入到Kafka消息中间件，比如可以通过使用Flume来收集日志数据，然后在Kafka中路由暂存，然后再由实时计算程序Storm做实时分析，这时我们就需要将在Storm的Spout中读取Kafka中的消息，然后交由具体的Spot组件去分析处理。实际上，apache-storm-0.9.2-incubating这个版本的Storm已经自带了一个集成Kafka的外部插件程序storm-kafka，可以直接使用，例如我使用的Maven依赖配置，如下所示：
02 |
<groupId>org.apache.storm</groupId> |
03 |
<artifactId>storm-core</artifactId> |
04 |
<version>0.9.2-incubating</version> |
05 |
<scope>provided</scope> |
08 |
<groupId>org.apache.storm</groupId> |
09 |
<artifactId>storm-kafka</artifactId> |
10 |
<version>0.9.2-incubating</version> |
13 |
<groupId>org.apache.kafka</groupId> |
14 |
<artifactId>kafka_2.9.2</artifactId> |
15 |
<version>0.8.1.1</version> |
18 |
<groupId>org.apache.zookeeper</groupId> |
19 |
<artifactId>zookeeper</artifactId> |
22 |
<groupId>log4j</groupId> |
23 |
<artifactId>log4j</artifactId> |
下面，我们开发了一个简单WordCount示例程序，从Kafka读取订阅的消息行，通过空格拆分出单个单词，然后再做词频统计计算，实现的Topology的代码，如下所示：
001 |
package org.shirdrn.storm.examples; |
003 |
import java.util.Arrays; |
004 |
import java.util.HashMap; |
005 |
import java.util.Iterator; |
006 |
import java.util.Map; |
007 |
import java.util.Map.Entry; |
008 |
import java.util.concurrent.atomic.AtomicInteger; |
010 |
import org.apache.commons.logging.Log; |
011 |
import org.apache.commons.logging.LogFactory; |
013 |
import storm.kafka.BrokerHosts; |
014 |
import storm.kafka.KafkaSpout; |
015 |
import storm.kafka.SpoutConfig; |
016 |
import storm.kafka.StringScheme; |
017 |
import storm.kafka.ZkHosts; |
018 |
import backtype.storm.Config; |
019 |
import backtype.storm.LocalCluster; |
020 |
import backtype.storm.StormSubmitter; |
021 |
import backtype.storm.generated.AlreadyAliveException; |
022 |
import backtype.storm.generated.InvalidTopologyException; |
023 |
import backtype.storm.spout.SchemeAsMultiScheme; |
024 |
import backtype.storm.task.OutputCollector; |
025 |
import backtype.storm.task.TopologyContext; |
026 |
import backtype.storm.topology.OutputFieldsDeclarer; |
027 |
import backtype.storm.topology.TopologyBuilder; |
028 |
import backtype.storm.topology.base.BaseRichBolt; |
029 |
import backtype.storm.tuple.Fields; |
030 |
import backtype.storm.tuple.Tuple; |
031 |
import backtype.storm.tuple.Values; |
033 |
public class MyKafkaTopology { |
035 |
public static class KafkaWordSplitter extends BaseRichBolt { |
037 |
private static final Log LOG = LogFactory.getLog(KafkaWordSplitter.class); |
038 |
private static final long serialVersionUID = 886149197481637894L; |
039 |
private OutputCollector collector; |
042 |
public void prepare(Map stormConf, TopologyContext context, |
043 |
OutputCollector collector) { |
044 |
this.collector = collector; |
048 |
public void execute(Tuple input) { |
049 |
String line = input.getString(0); |
050 |
LOG.info("RECV[kafka -> splitter] " + line); |
051 |
String[] words = line.split("\\s+"); |
052 |
for(String word : words) { |
053 |
LOG.info("EMIT[splitter -> counter] " + word); |
054 |
collector.emit(input, new Values(word, 1)); |
056 |
collector.ack(input); |
060 |
public void declareOutputFields(OutputFieldsDeclarer declarer) { |
061 |
declarer.declare(new Fields("word", "count")); |
066 |
public static class WordCounter extends BaseRichBolt { |
068 |
private static final Log LOG = LogFactory.getLog(WordCounter.class); |
069 |
private static final long serialVersionUID = 886149197481637894L; |
070 |
private OutputCollector collector; |
071 |
private Map<String, AtomicInteger> counterMap; |
074 |
public void prepare(Map stormConf, TopologyContext context, |
075 |
OutputCollector collector) { |
076 |
this.collector = collector; |
077 |
this.counterMap = new HashMap<String, AtomicInteger>(); |
081 |
public void execute(Tuple input) { |
082 |
String word = input.getString(0); |
083 |
int count = input.getInteger(1); |
084 |
LOG.info("RECV[splitter -> counter] " + word + " : " + count); |
085 |
AtomicInteger ai = this.counterMap.get(word); |
087 |
ai = new AtomicInteger(); |
088 |
this.counterMap.put(word, ai); |
091 |
collector.ack(input); |
092 |
LOG.info("CHECK statistics map: " + this.counterMap); |
096 |
public void cleanup() { |
097 |
LOG.info("The final result:"); |
098 |
Iterator<Entry<String, AtomicInteger>> iter =this.counterMap.entrySet().iterator(); |
099 |
while(iter.hasNext()) { |
100 |
Entry<String, AtomicInteger> entry = iter.next(); |
101 |
LOG.info(entry.getKey() + "\t:\t" + entry.getValue().get()); |
107 |
public void declareOutputFields(OutputFieldsDeclarer declarer) { |
108 |
declarer.declare(new Fields("word", "count")); |
112 |
public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException { |
113 |
String zks = "h1:2181,h2:2181,h3:2181"; |
114 |
String topic = "my-replicated-topic5"; |
115 |
String zkRoot = "/storm"; |
118 |
BrokerHosts brokerHosts = new ZkHosts(zks); |
119 |
SpoutConfig spoutConf = new SpoutConfig(brokerHosts, topic, zkRoot, id); |
120 |
spoutConf.scheme = new SchemeAsMultiScheme(new StringScheme()); |
121 |
spoutConf.forceFromStart = false; |
122 |
spoutConf.zkServers = Arrays.asList(new String[] {"h1", "h2", "h3"}); |
123 |
spoutConf.zkPort = 2181; |
125 |
TopologyBuilder builder = new TopologyBuilder(); |
126 |
builder.setSpout("kafka-reader", new KafkaSpout(spoutConf), 5); |
127 |
builder.setBolt("word-splitter", new KafkaWordSplitter(),2).shuffleGrouping("kafka-reader"); |
128 |
builder.setBolt("word-counter", new WordCounter()).fieldsGrouping("word-splitter", new Fields("word")); |
130 |
Config conf = new Config(); |
132 |
String name = MyKafkaTopology.class.getSimpleName(); |
133 |
if (args != null && args.length > 0) { |
135 |
conf.put(Config.NIMBUS_HOST, args[0]); |
136 |
conf.setNumWorkers(3); |
137 |
StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology()); |
139 |
conf.setMaxTaskParallelism(3); |
140 |
LocalCluster cluster = new LocalCluster(); |
141 |
cluster.submitTopology(name, conf, builder.createTopology()); |
上面程序，在本地调试（使用LocalCluster）不需要输入任何参数，提交到实际集群中运行时，需要传递一个参数，该参数为Nimbus的主机名称。
通过Maven构建，生成一个包含依赖的single jar文件（不要把Storm的依赖包添加进去），例如storm-examples-0.0.1-SNAPSHOT.jar，在提交Topology程序到Storm集群之前，因为用到了Kafka，需要拷贝一下依赖jar文件到Storm集群中的lib目录下面：
1 |
cp /usr/local/kafka/libs/kafka_2.9.2-0.8.1.1.jar /usr/local/storm/lib/ |
2 |
cp /usr/local/kafka/libs/scala-library-2.9.2.jar /usr/local/storm/lib/ |
3 |
cp /usr/local/kafka/libs/metrics-core-2.2.0.jar /usr/local/storm/lib/ |
4 |
cp /usr/local/kafka/libs/snappy-java-1.0.5.jar /usr/local/storm/lib/ |
5 |
cp /usr/local/kafka/libs/zkclient-0.3.jar /usr/local/storm/lib/ |
6 |
cp /usr/local/kafka/libs/log4j-1.2.15.jar /usr/local/storm/lib/ |
7 |
cp /usr/local/kafka/libs/slf4j-api-1.7.2.jar /usr/local/storm/lib/ |
8 |
cp /usr/local/kafka/libs/jopt-simple-3.2.jar /usr/local/storm/lib/ |
然后，就可以提交我们开发的Topology程序了：
1 |
bin/storm jar /home/storm/storm-examples-0.0.1-SNAPSHOT.jar org.shirdrn.storm.examples.MyKafkaTopology h1 |
可以通过查看日志文件（logs/目录下）或者Storm UI来监控Topology的运行状况。如果程序没有错误，可以使用前面我们使用的Kafka Producer来生成消息，就能看到我们开发的Storm Topology能够实时接收到并进行处理。
上面Topology实现代码中，有一个很关键的配置对象SpoutConfig，配置属性如下所示：
1 |
spoutConf.forceFromStart = false; |
该配置是指，如果该Topology因故障停止处理，下次正常运行时是否从Spout对应数据源Kafka中的该订阅Topic的起始位置开始读取，如果forceFromStart=true，则之前处理过的Tuple还要重新处理一遍，否则会从上次处理的位置继续处理，保证Kafka中的Topic数据不被重复处理，是在数据源的位置进行状态记录。
整合Storm+HDFS
Storm实时计算集群从Kafka消息中间件中消费消息，有实时处理需求的可以走实时处理程序，还有需要进行离线分析的需求，如写入到HDFS进行分析。下面实现了一个Topology，代码如下所示：
001 |
package org.shirdrn.storm.examples; |
003 |
import java.text.DateFormat; |
004 |
import java.text.SimpleDateFormat; |
005 |
import java.util.Date; |
006 |
import java.util.Map; |
007 |
import java.util.Random; |
009 |
import org.apache.commons.logging.Log; |
010 |
import org.apache.commons.logging.LogFactory; |
011 |
import org.apache.storm.hdfs.bolt.HdfsBolt; |
012 |
import org.apache.storm.hdfs.bolt.format.DefaultFileNameFormat; |
013 |
import org.apache.storm.hdfs.bolt.format.DelimitedRecordFormat; |
014 |
import org.apache.storm.hdfs.bolt.format.FileNameFormat; |
015 |
import org.apache.storm.hdfs.bolt.format.RecordFormat; |
016 |
import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy; |
017 |
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy; |
018 |
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy.TimeUnit; |
019 |
import org.apache.storm.hdfs.bolt.sync.CountSyncPolicy; |
020 |
import org.apache.storm.hdfs.bolt.sync.SyncPolicy; |
022 |
import backtype.storm.Config; |
023 |
import backtype.storm.LocalCluster; |
024 |
import backtype.storm.StormSubmitter; |
025 |
import backtype.storm.generated.AlreadyAliveException; |
026 |
import backtype.storm.generated.InvalidTopologyException; |
027 |
import backtype.storm.spout.SpoutOutputCollector; |
028 |
import backtype.storm.task.TopologyContext; |
029 |
import backtype.storm.topology.OutputFieldsDeclarer; |
030 |
import backtype.storm.topology.TopologyBuilder; |
031 |
import backtype.storm.topology.base.BaseRichSpout; |
032 |
import backtype.storm.tuple.Fields; |
033 |
import backtype.storm.tuple.Values; |
034 |
import backtype.storm.utils.Utils; |
036 |
public class StormToHDFSTopology { |
038 |
public static class EventSpout extends BaseRichSpout { |
040 |
private static final Log LOG = LogFactory.getLog(EventSpout.class); |
041 |
private static final long serialVersionUID = 886149197481637894L; |
042 |
private SpoutOutputCollector collector; |
044 |
private String[] records; |
047 |
public void open(Map conf, TopologyContext context, |
048 |
SpoutOutputCollector collector) { |
049 |
this.collector = collector; |
051 |
records = new String[] { |
052 |
"10001 ef2da82d4c8b49c44199655dc14f39f6 4.2.1 HUAWEI G610-U00 HUAWEI 2 70:72:3c:73:8b:22 2014-10-13 12:36:35", |
053 |
"10001 ffb52739a29348a67952e47c12da54ef 4.3 GT-I9300 samsung 2 50:CC:F8:E4:22:E2 2014-10-13 12:36:02", |
054 |
"10001 ef2da82d4c8b49c44199655dc14f39f6 4.2.1 HUAWEI G610-U00 HUAWEI 2 70:72:3c:73:8b:22 2014-10-13 12:36:35" |
060 |
public void nextTuple() { |
062 |
DateFormat df = new SimpleDateFormat("yyyy-MM-dd_HH-mm-ss"); |
063 |
Date d = new Date(System.currentTimeMillis()); |
064 |
String minute = df.format(d); |
065 |
String record = records[rand.nextInt(records.length)]; |
066 |
LOG.info("EMIT[spout -> hdfs] " + minute + " : " + record); |
067 |
collector.emit(new Values(minute, record)); |
071 |
public void declareOutputFields(OutputFieldsDeclarer declarer) { |
072 |
declarer.declare(new Fields("minute", "record")); |
078 |
public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException { |
080 |
RecordFormat format = new DelimitedRecordFormat() |
081 |
.withFieldDelimiter(" : "); |
084 |
SyncPolicy syncPolicy = new CountSyncPolicy(1000); |
087 |
FileRotationPolicy rotationPolicy = new TimedRotationPolicy(1.0f, TimeUnit.MINUTES); |
089 |
FileNameFormat fileNameFormat = new DefaultFileNameFormat() |
090 |
.withPath("/storm/").withPrefix("app_").withExtension(".log"); |
092 |
HdfsBolt hdfsBolt = new HdfsBolt() |
094 |
.withFileNameFormat(fileNameFormat) |
095 |
.withRecordFormat(format) |
096 |
.withRotationPolicy(rotationPolicy) |
097 |
.withSyncPolicy(syncPolicy); |
099 |
TopologyBuilder builder = new TopologyBuilder(); |
100 |
builder.setSpout("event-spout", new EventSpout(), 3); |
101 |
builder.setBolt("hdfs-bolt", hdfsBolt, 2).fieldsGrouping("event-spout", newFields("minute")); |
103 |
Config conf = new Config(); |
105 |
String name = StormToHDFSTopology.class.getSimpleName(); |
106 |
if (args != null && args.length > 0) { |
107 |
conf.put(Config.NIMBUS_HOST, args[0]); |
108 |
conf.setNumWorkers(3); |
109 |
StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology()); |
111 |
conf.setMaxTaskParallelism(3); |
112 |
LocalCluster cluster = new LocalCluster(); |
113 |
cluster.submitTopology(name, conf, builder.createTopology()); |
上面的处理逻辑，可以对HdfsBolt进行更加详细的配置，如FileNameFormat、SyncPolicy、FileRotationPolicy（可以设置在满足什么条件下，切出一个新的日志，如可以指定多长时间切出一个新的日志文件，可以指定一个日志文件大小达到设置值后，再写一个新日志文件），更多设置可以参考storm-hdfs，。
上面代码在打包的时候，需要注意，使用storm-starter自带的Maven打包配置，可能在将Topology部署运行的时候，会报错，可以使用maven-shade-plugin这个插件，如下配置所示：
02 |
<groupId>org.apache.maven.plugins</groupId> |
03 |
<artifactId>maven-shade-plugin</artifactId> |
04 |
<version>1.4</version> |
06 |
<createDependencyReducedPom>true</createDependencyReducedPom> |
10 |
<phase>package</phase> |
17 |
implementation="org.apache.maven.plugins.shade.resource.ServicesResourceTransformer"/> |
19 |
implementation="org.apache.maven.plugins.shade.resource.ManifestResourceTransformer"> |
20 |
<mainClass></mainClass> |
整合Kafka+Storm+HDFS
上面分别对整合Kafka+Storm和Storm+HDFS做了实践，可以将后者的Spout改成前者的Spout，从Kafka中消费消息，在Storm中可以做简单处理，然后将数据写入HDFS，最后可以在Hadoop平台上对数据进行离线分析处理。下面，写了一个简单的例子，从Kafka消费消息，然后经由Storm处理，写入到HDFS存储，代码如下所示：
001 |
package org.shirdrn.storm.examples; |
003 |
import java.util.Arrays; |
004 |
import java.util.Map; |
006 |
import org.apache.commons.logging.Log; |
007 |
import org.apache.commons.logging.LogFactory; |
008 |
import org.apache.storm.hdfs.bolt.HdfsBolt; |
009 |
import org.apache.storm.hdfs.bolt.format.DefaultFileNameFormat; |
010 |
import org.apache.storm.hdfs.bolt.format.DelimitedRecordFormat; |
011 |
import org.apache.storm.hdfs.bolt.format.FileNameFormat; |
012 |
import org.apache.storm.hdfs.bolt.format.RecordFormat; |
013 |
import org.apache.storm.hdfs.bolt.rotation.FileRotationPolicy; |
014 |
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy; |
015 |
import org.apache.storm.hdfs.bolt.rotation.TimedRotationPolicy.TimeUnit; |
016 |
import org.apache.storm.hdfs.bolt.sync.CountSyncPolicy; |
017 |
import org.apache.storm.hdfs.bolt.sync.SyncPolicy; |
019 |
import storm.kafka.BrokerHosts; |
020 |
import storm.kafka.KafkaSpout; |
021 |
import storm.kafka.SpoutConfig; |
022 |
import storm.kafka.StringScheme; |
023 |
import storm.kafka.ZkHosts; |
024 |
import backtype.storm.Config; |
025 |
import backtype.storm.LocalCluster; |
026 |
import backtype.storm.StormSubmitter; |
027 |
import backtype.storm.generated.AlreadyAliveException; |
028 |
import backtype.storm.generated.InvalidTopologyException; |
029 |
import backtype.storm.spout.SchemeAsMultiScheme; |
030 |
import backtype.storm.task.OutputCollector; |
031 |
import backtype.storm.task.TopologyContext; |
032 |
import backtype.storm.topology.OutputFieldsDeclarer; |
033 |
import backtype.storm.topology.TopologyBuilder; |
034 |
import backtype.storm.topology.base.BaseRichBolt; |
035 |
import backtype.storm.tuple.Fields; |
036 |
import backtype.storm.tuple.Tuple; |
037 |
import backtype.storm.tuple.Values; |
039 |
public class DistributeWordTopology { |
041 |
public static class KafkaWordToUpperCase extends BaseRichBolt { |
043 |
private static final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class); |
044 |
private static final long serialVersionUID = -5207232012035109026L; |
045 |
private OutputCollector collector; |
048 |
public void prepare(Map stormConf, TopologyContext context, |
049 |
OutputCollector collector) { |
050 |
this.collector = collector; |
054 |
public void execute(Tuple input) { |
055 |
String line = input.getString(0).trim(); |
056 |
LOG.info("RECV[kafka -> splitter] " + line); |
057 |
if(!line.isEmpty()) { |
058 |
String upperLine = line.toUpperCase(); |
059 |
LOG.info("EMIT[splitter -> counter] " + upperLine); |
060 |
collector.emit(input, new Values(upperLine, upperLine.length())); |
062 |
collector.ack(input); |
066 |
public void declareOutputFields(OutputFieldsDeclarer declarer) { |
067 |
declarer.declare(new Fields("line", "len")); |
072 |
public static class RealtimeBolt extends BaseRichBolt { |
074 |
private static final Log LOG = LogFactory.getLog(KafkaWordToUpperCase.class); |
075 |
private static final long serialVersionUID = -4115132557403913367L; |
076 |
private OutputCollector collector; |
079 |
public void prepare(Map stormConf, TopologyContext context, |
080 |
OutputCollector collector) { |
081 |
this.collector = collector; |
085 |
public void execute(Tuple input) { |
086 |
String line = input.getString(0).trim(); |
087 |
LOG.info("REALTIME: " + line); |
088 |
collector.ack(input); |
092 |
public void declareOutputFields(OutputFieldsDeclarer declarer) { |
098 |
public static void main(String[] args) throws AlreadyAliveException, InvalidTopologyException, InterruptedException { |
101 |
String zks = "h1:2181,h2:2181,h3:2181"; |
102 |
String topic = "my-replicated-topic5"; |
103 |
String zkRoot = "/storm"; |
105 |
BrokerHosts brokerHosts = new ZkHosts(zks); |
106 |
SpoutConfig spoutConf = new SpoutConfig(brokerHosts, topic, zkRoot, id); |
107 |
spoutConf.scheme = new SchemeAsMultiScheme(new StringScheme()); |
108 |
spoutConf.forceFromStart = false; |
109 |
spoutConf.zkServers = Arrays.asList(new String[] {"h1", "h2", "h3"}); |
110 |
spoutConf.zkPort = 2181; |
113 |
RecordFormat format = new DelimitedRecordFormat() |
114 |
.withFieldDelimiter("\t"); |
115 |
SyncPolicy syncPolicy = new CountSyncPolicy(1000); |
116 |
FileRotationPolicy rotationPolicy = new TimedRotationPolicy(1.0f, TimeUnit.MINUTES); |
117 |
FileNameFormat fileNameFormat = new DefaultFileNameFormat() |
118 |
.withPath("/storm/").withPrefix("app_").withExtension(".log"); |
119 |
HdfsBolt hdfsBolt = new HdfsBolt() |
121 |
.withFileNameFormat(fileNameFormat) |
122 |
.withRecordFormat(format) |
123 |
.withRotationPolicy(rotationPolicy) |
124 |
.withSyncPolicy(syncPolicy); |
127 |
TopologyBuilder builder = new TopologyBuilder(); |
128 |
builder.setSpout("kafka-reader", new KafkaSpout(spoutConf), 5); |
129 |
builder.setBolt("to-upper", new KafkaWordToUpperCase(),3).shuffleGrouping("kafka-reader"); |
130 |
builder.setBolt("hdfs-bolt", hdfsBolt, 2).shuffleGrouping("to-upper"); |
131 |
builder.setBolt("realtime", new RealtimeBolt(), 2).shuffleGrouping("to-upper"); |
134 |
Config conf = new Config(); |
135 |
String name = DistributeWordTopology.class.getSimpleName(); |
136 |
if (args != null && args.length > 0) { |
137 |
String nimbus = args[0]; |
138 |
conf.put(Config.NIMBUS_HOST, nimbus); |
139 |
conf.setNumWorkers(3); |
140 |
StormSubmitter.submitTopologyWithProgressBar(name, conf, builder.createTopology()); |
142 |
conf.setMaxTaskParallelism(3); |
143 |
LocalCluster cluster = new LocalCluster(); |
144 |
cluster.submitTopology(name, conf, builder.createTopology()); |
上面代码中，名称为to-upper的Bolt将接收到的字符串行转换成大写以后，会将处理过的数据向后面的hdfs-bolt、realtime这两个Bolt各发一份拷贝，然后由这两个Bolt分别根据实际需要（实时/离线）单独处理。
打包后，在Storm集群上部署并运行这个Topology：
1 |
bin/storm jar ~/storm-examples-0.0.1-SNAPSHOT.jar org.shirdrn.storm.examples.DistributeWordTopology h1 |
可以通过Storm UI查看Topology运行情况，可以查看HDFS上生成的数据。
