storm(二) 事务机制

 

前言

为了保证tuple的强有序和exactly-once语义，storm提供了事务机制，为每个tuple提供一个id

 

设计方法1

为每个tuple设置一个事务id，在数据库保存事务id和当前处理的id做比较。

1.两个id不一样，由于事务的强有序特点，判断出该tuple没有出现过，所以更新id

2.id一样，重复出现，可以不用处理

问题：

这样做会导致新能很低，每个tuple都必须处理完后才能处理下一个tuple（否则会影响和下一个tuple的顺序），并且每个tuple还得至少访问一次数据库

 

设计方法2

单个性能慢，很自然的就想到了多个一起处理。多个tuple形成一个batch。这样也可以保证强有序性 

这样性能就提高了很多，如果一个batch处理了1000个tuples，那么性能就提高了1000倍。但是这还是没有更好的把资源利用充分。每个batch都是一个个处理，第二个batch必须等第一个batch完全处理完之后才能开始处理。 

 

设计方法3

（storm选择的设计方法）

通过前两中设计方法，我们意识到了一个关键的思想，并不是所有的处理过程都需要保证强有序。只要保证最终执行完的那瞬间是强有序就ok。抽象出每次处理都需要两步。

1.计算一个batch的部分次数

2.在数据库更新该batch的部分次数

 

storm实现把对一个batch的计算分成了两块

1.处理。在此环节可以并发处理多个batch

2.提交。在此环节只能处理1个batch。这样就保证了强有序。

当这两块的其中某块出现问题，该事务都会被重新执行。

其实这跟设计方法二有点相似，都用了batch的思想。并结合分治思想，把整体尽可能的拆成许多小碎片，对每一个碎片都用最优的方法处理。

 

设计细节

1.storm把事务相关的信息存储在zookeeper中

2.storm会管理所有事务的处理或提交时机

3.关于容错。storm利用ack机制，会在合适的时候自动回放失败的事务。使用者不需要做任何acking

回放失败的事务需要一个tuple源的队列，比如kafka。

 

整体运行流程

 

Processer必须等前一个Committer完成提交后才能调用finishBatch。

 

关于事务失败

由于事务框架屏蔽了Ack接口，提供了另一种方式，可以 throw  FailedException.

 

关于配置

有两个重要配置

1.事务依赖的zookeeper，默认和storm集群依赖的一样，可以通过以下key修改

transactional.zookeeper.servers

2.同时处理batch的个数，默认是1，可以通过以下key修改

topology.max.spout.pending

 

参考资料

http://storm.apache.org/releases/1.1.1/Transactional-topologies.html