Storm集成Kafka应用的开发
我们知道storm的作用主要是进行流式计算，对于源源不断的均匀数据流流入处理是非常有效的，而现实生活中大部分场景并不是均匀的数据流，而是时而多时而少的数据流入，这种情况下显然用批量处理是不合适的，如果使用storm做实时计算的话可能因为数据拥堵而导致服务器挂掉，应对这种情况，使用kafka作为消息队列是非常合适的选择，kafka可以将不均匀的数据转换成均匀的消息流，从而和storm比较完善的结合，这样才可以实现稳定的流式计算，那么我们接下来开发一个简单的案例来实现storm和kafka的结合
storm和kafka结合，实质上无非是之前我们说过的计算模式结合起来，就是数据先进入kafka生产者，然后storm作为消费者进行消费，最后将消费后的数据输出或者保存到文件、数据库、分布式存储等等，具体框图如下：
这张图片摘自博客地址：http://www.cnblogs.com/tovin/p/3974417.html 在此感谢作者的奉献
首先我们保证在服务器上zookeeper、kafka、storm正常运行，然后我们开始写程序，这里使用eclipse for javaee IDE
和之前一样，建立一个maven项目，在pom.xml写入如下代码：
1 <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" 2 xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd"> 3 <modelVersion>4.0.0</modelVersion> 4 5 <groupId>kafkastorm</groupId> 6 <artifactId>kafkastorm</artifactId> 7 <version>0.0.1-SNAPSHOT</version> 8 <packaging>jar</packaging> 9 10 <name>kafkastorm</name> 11 <url>http://maven.apache.org</url> 12 13 <properties> 14 <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding> 15 </properties> 16 17 <dependencies> 18 <dependency> 19 <groupId>junit</groupId> 20 <artifactId>junit</artifactId> 21 <version>3.8.1</version> 22 <scope>test</scope> 23 </dependency> 24 <dependency> 25 <groupId>org.apache.storm</groupId> 26 <artifactId>storm-core</artifactId> 27 <version>0.9.6</version> 28 <scope>provided</scope> 29 </dependency> 30 <dependency> 31 <groupId>org.apache.kafka</groupId> 32 <artifactId>kafka_2.9.2</artifactId> 33 <version>0.8.2.2</version> 34 <exclusions> 35 <exclusion> 36 <groupId>org.apache.zookeeper</groupId> 37 <artifactId>zookeeper</artifactId> 38 </exclusion> 39 <exclusion> 40 <groupId>log4j</groupId> 41 <artifactId>log4j</artifactId> 42 </exclusion> 43 </exclusions> 44 </dependency> 45 <dependency> 46 <groupId>org.apache.storm</groupId> 47 <artifactId>storm-kafka</artifactId> 48 <version>0.9.6</version> 49 </dependency> 50 </dependencies> 51 52 <build> 53 <plugins> 54 <plugin> 55 <artifactId>maven-assembly-plugin</artifactId> 56 <configuration> 57 <descriptorRefs> 58 <descriptorRef>jar-with-dependencies</descriptorRef> 59 </descriptorRefs> 60 </configuration> 61 <executions> 62 <execution> 63 <id>make-assembly</id> 64 <phase>package</phase> 65 <goals> 66 <goal>single</goal> 67 </goals> 68 </execution> 69 </executions> 70 </plugin> 71 </plugins> 72 </build> 73 </project>
主要是导入的zookeeper、storm、kafka外部依赖这些叠加起来，还有<plugin>插件便于我们后续对程序进程maven的打包
和之前一样首先编写storm消费kafka的逻辑，MessageScheme类，代码如下：
1 package net.zengzhiying; 2 3 import java.io.UnsupportedEncodingException; 4 import java.util.List; 5 6 import backtype.storm.spout.Scheme; 7 import backtype.storm.tuple.Fields; 8 import backtype.storm.tuple.Values; 9 10 public class MessageScheme implements Scheme { 11 12 public List<Object> deserialize(byte[] arg0) { 13 try { 14 String msg = new String(arg0, "UTF-8"); 15 return new Values(msg); 16 } catch (UnsupportedEncodingException e) { 17 e.printStackTrace(); 18 } 19 return null; 20 } 21 22 public Fields getOutputFields() { 23 return new Fields("msg"); 24 } 25 26 }
逻辑很简单，就是对kafka出来的数据转换成字符串，接下来我们想办法来处理strom清洗之后的数据，我们为了简单就把输出保存到一个文件中，Bolt逻辑SenqueceBolt类的代码如下：
1 package net.zengzhiying; 2 3 import java.io.DataOutputStream; 4 import java.io.FileNotFoundException; 5 import java.io.FileOutputStream; 6 import java.io.IOException; 7 8 import backtype.storm.topology.BasicOutputCollector; 9 import backtype.storm.topology.OutputFieldsDeclarer; 10 import backtype.storm.topology.base.BaseBasicBolt; 11 import backtype.storm.tuple.Fields; 12 import backtype.storm.tuple.Tuple; 13 import backtype.storm.tuple.Values; 14 15 public class SenqueceBolt extends BaseBasicBolt { 16 17 public void execute(Tuple arg0, BasicOutputCollector arg1) { 18 String word = (String) arg0.getValue(0); 19 String out = "output:" + word; 20 System.out.println(out); 21 22 //写文件 23 try { 24 DataOutputStream out_file = new DataOutputStream(new FileOutputStream("kafkastorm.out")); 25 out_file.writeUTF(out); 26 out_file.close(); 27 } catch (FileNotFoundException e) { 28 // TODO Auto-generated catch block 29 e.printStackTrace(); 30 } catch (IOException e) { 31 // TODO Auto-generated catch block 32 e.printStackTrace(); 33 } 34 35 arg1.emit(new Values(out)); 36 } 37 38 public void declareOutputFields(OutputFieldsDeclarer arg0) { 39 arg0.declare(new Fields("message")); 40 } 41 42 }
就是把输出的消息放到文件kafkastorm.out中
然后我们编写主类，也就是配置kafka提交topology到storm的代码，类名为StormKafkaTopo，代码如下：
1 package net.zengzhiying; 2 3 import java.util.HashMap; 4 import java.util.Map; 5 6 import backtype.storm.Config; 7 import backtype.storm.LocalCluster; 8 import backtype.storm.StormSubmitter; 9 import backtype.storm.generated.AlreadyAliveException; 10 import backtype.storm.generated.InvalidTopologyException; 11 import backtype.storm.spout.SchemeAsMultiScheme; 12 import backtype.storm.topology.TopologyBuilder; 13 import backtype.storm.utils.Utils; 14 import storm.kafka.BrokerHosts; 15 import storm.kafka.KafkaSpout; 16 import storm.kafka.SpoutConfig; 17 import storm.kafka.ZkHosts; 18 import storm.kafka.bolt.KafkaBolt; 19 20 public class StormKafkaTopo { 21 public static void main(String[] args) { 22 BrokerHosts brokerHosts = new ZkHosts("192.168.1.216:2181/kafka"); 23 24 SpoutConfig spoutConfig = new SpoutConfig(brokerHosts, "topic1", "/kafka", "kafkaspout"); 25 26 Config conf = new Config(); 27 Map<String, String> map = new HashMap<String, String>(); 28 29 map.put("metadata.broker.list", "192.168.1.216:9092"); 30 map.put("serializer.class", "kafka.serializer.StringEncoder"); 31 conf.put("kafka.broker.properties", map); 32 conf.put("topic", "topic2"); 33 34 spoutConfig.scheme = new SchemeAsMultiScheme(new MessageScheme()); 35 36 TopologyBuilder builder = new TopologyBuilder(); 37 builder.setSpout("spout", new KafkaSpout(spoutConfig)); 38 builder.setBolt("bolt", new SenqueceBolt()).shuffleGrouping("spout"); 39 builder.setBolt("kafkabolt", new KafkaBolt<String, Integer>()).shuffleGrouping("bolt"); 40 41 if(args != null && args.length > 0) { 42 //提交到集群运行 43 try { 44 StormSubmitter.submitTopology(args[0], conf, builder.createTopology()); 45 } catch (AlreadyAliveException e) { 46 e.printStackTrace(); 47 } catch (InvalidTopologyException e) { 48 e.printStackTrace(); 49 } 50 } else { 51 //本地模式运行 52 LocalCluster cluster = new LocalCluster(); 53 cluster.submitTopology("Topotest1121", conf, builder.createTopology()); 54 Utils.sleep(1000000); 55 cluster.killTopology("Topotest1121"); 56 cluster.shutdown(); 57 } 58 59 60 61 } 62 }
注意上面代码的配置，和之前单独运行storm和kafka代码不太一样，配置也很简单，注意区别即可，如果细心的话会注意到这里建了两个topic一个是topic1，一个是topic2，topic1的含义kafka接收生产者过来的数据所需要的topic，topic2是KafkaBolt也就是storm中的bolt生成的topic，当然这里topic2这行配置可以省略，是没有任何问题的，类似于一个中转的东西，另外我们这次测试是上传到服务器执行，本地模式的代码没有执行到，当然原理是一样的
之前一般网上的教程到这里就完毕了，这样我们会引起一种没有生产者的误区，注意：上面3个类实现的功能是kafka消费者输出的数据被storm消费！生产者的代码可以看成独立的其他来源，可以写在其他项目中，根据数据源的情况来，下面我们为了示例，编写一个类来进行生产，代码和之前kafka单独的一样：
1 package net.zengzhiying; 2 3 import java.util.ArrayList; 4 import java.util.List; 5 import java.util.Properties; 6 7 import kafka.javaapi.producer.Producer; 8 import kafka.producer.KeyedMessage; 9 import kafka.producer.ProducerConfig; 10 11 public class DataProducerInsert { 12 private static Producer<Integer,String> producer; 13 private final Properties props=new Properties(); 14 public DataProducerInsert(){ 15 //定义连接的broker list 16 props.put("metadata.broker.list", "192.168.1.216:9092"); 17 //定义序列化类 Java中对象传输之前要序列化 18 props.put("serializer.class", "kafka.serializer.StringEncoder"); 19 //props.put("advertised.host.name", "192.168.1.216"); 20 producer = new Producer<Integer, String>(new ProducerConfig(props)); 21 } 22 public static void main(String[] args) { 23 DataProducerInsert sp=new DataProducerInsert(); 24 //定义topic 25 String topic="topic1"; 26 //开始时间统计 27 long startTime = System.currentTimeMillis(); 28 //定义要发送给topic的消息 29 String messageStr = "This is a message"; 30 List<KeyedMessage<Integer, String>> datalist = new ArrayList<KeyedMessage<Integer, String>>(); 31 32 //构建消息对象 33 KeyedMessage<Integer, String> data = new KeyedMessage<Integer, String>(topic, messageStr); 34 datalist.add(data); 35 36 //结束时间统计 37 long endTime = System.currentTimeMillis(); 38 KeyedMessage<Integer, String> data1 = new KeyedMessage<Integer, String>(topic, "用时" + (endTime-startTime)/1000.0); 39 datalist.add(data1); 40 41 //推送消息到broker 42 producer.send(data); 43 producer.close(); 44 } 45 }
注意，这里我们定义的topic是topic1，正好和前面的topic1数据源对应，是整个kafka保持一致的topic，也就是说kafka生产者topic和消费者topic是必须名称相同才可以响应，下面简单添加了一点时间统计的代码，也很简单
另外还要注意kafka配置文件host.name尽量改成ip，和之前说过的一样
到现在项目就编写完成了，然后我们使用maven命令对项目打包，首先得保证我们windows上安装好了maven，我们运行cmd，进入到当前项目目录下，执行命令： mvn assembly:assembly 进行打包，打包的前提就是之前pom.xml的所有配置，执行后maven会自动下载相应的依赖并完成打包，需要耐心等待一会：
看到如图所示的BUILD SUCCESS返回之后，那么打包就成功了，现在进入项目目录下的target目录中，会看到2个jar包
其中后面那个文件名较长的大小也比较大，是包含相关依赖的包，接下来我们将这个包上传到服务器，然后使用storm执行jar包将我们的topology上传到集群中运行，注意是使用storm执行jar包，而不是java
/usr/storm/apache-storm-0.9.6/bin/storm jar kafkastorm-0.0.1-SNAPSHOT-jar-with-dependencies.jar net.zengzhiying.StormKafkaTopo kafkagostorm
前面是storm的绝对路径，参数jar执行jar包，后面跟的是上传topology的主类，最后kafkagostorm是我们上传拓扑的名称
这里执行完之后会回到命令行，现在就在后台集群中开始分发运行了，这就是集群模式，之前我们讲的storm案例会不断滚动大量数据，那个属于本地模式，如果我们现在开启ui界面的话，那么访问我们的地址http://192.168.1.216:8080/可以看到正在运行的Topology
可以看到状态是active正在运行了，我们上面代码中kafkabolt创建了一个topic2的消息，我们现在可以测试一下，消费者这里只是简单地原样输出，我们进入kafka目录，执行下面命令：
bin/kafka-console-consumer.sh --zookeeper localhost:2181/kafka --topic topic2 --from-beginning
后面参数--from-beginning不添加也是可以的，添加包括旧信息，不添加就是新的输出
现在界面卡住，待会我们来观察输出，现在我们新开一个窗口，还是使用storm执行刚才的生产者类DataProducerInsert来生产一条消息，命令如下：
/usr/storm/apache-storm-0.9.6/bin/storm jar kafkastorm-0.0.1-SNAPSHOT-jar-with-dependencies.jar net.zengzhiying.DataProducerInsert
回车之后，等待界面滚动2s程序跑完之后，我们看到另一个窗口输出了消息：
然后，我们的输出文件在哪呢，刚才我们使用storm执行的生产者代码，所以输出的kafkastorm.out就在storm的安装目录下，我们使用cat或者vim都可以看到文件内容，如果有时间统计的话两行内容显示可能会有点问题，因为后续要进行简单的转换，去掉时间统计代码只输出消息的内容如下，这里使用vim打开的：
另外注意，上传拓扑时所有的代码都加载到集群了，所以修改代码版本时，一定要先在storm目录下执行 bin/storm kill topo_name 结束拓扑，修改代码后重新上传即可再次运行，否则可能会出现错误，在集群上的时候kafka配置文件的host.name注释即可，默认为localhost，最后代码中用到的参数比较多，很容易出错，所以写代码时还是要仔细点
这样storm集成kafka的测试案例就完成了，并且实现了一定的功能，只要我们灵活掌握了怎么写kafka和storm结合的整体拓扑结构，那么主要的代码就集中在数据源也就是kafka生产者的发送和storm消费后的存储问题，这所有的代码都是在storm和kafka给好的方法内写逻辑，而不用关心底层，这样使开发更加简单快捷，比如我们消费后的数据既可以写到文件、数据库还可以索引到solr，存到Hbase等，这样就可以灵活运用了；其实最关键的还是要了解这些框架底层的实现原理，这样遇到问题才可以知其然知其所以然
