5. Storm高级篇
序列化
分布式RPC
High level overview
LinearDRPCTopologyBuilder
Local mode DRPC
Remote mode DRPC
更复杂的例子
Non-linear DRPC topologies
LinearDRPCTopologyBuilder如何起作用
Advanced
分布式RPC
分布式 RPC（DRPC）的设计目标是充分利用 Storm 的计算能力实现高密度的并行实时计算。Storm 接收若干个函数参数作为输入流，然后通过 DRPC 输出这些函数调用的结果。严格来说，DRPC 并不能算作是 Storm 的一个特性，因为它只是一种基于 Storm 原语 (Stream、Spout、Bolt、Topology) 实现的计算模式。虽然可以将 DRPC 从 Storm 中打包出来作为一个独立的库，但是与 Storm 集成在一起显然更有用。
High level overview
分布式RPC是通过“DRPC server”协调处理的（Storm用一个包来实现该功能）。DRPC server 负责接收 RPC 请求，并将该请求发送到 Storm 中运行的 Topology，等待接收 Topology 发送的处理结果，并将该结果返回给发送请求的客户端。因此，从客户端的角度来说，DPRC 与普通的 RPC 调用并没有什么区别。例如，以下是一个使用参数 “http://twitter.com” 调用 “reach” 函数计算结果的例子：
DRPCClient client = new DRPCClient("drpc-host", 3772);
String result = client.execute("reach", "http://twitter.com");
分布式RPC工作流示意图如下所示：
客户端通过向 DRPC 服务器发送待执行函数的名称以及该函数的参数来获取处理结果。实现该函数的拓扑使用一个DRPCSpout 从 DRPC server中接收一个函数调用流，DRPC Server会为每个函数调用都标记了一个唯一的 id，随后拓扑会执行函数来计算结果，并在拓扑的最后使用一个名为 ReturnResults 的 bolt 连接到 DRPC Server，根据函数调用的 id 来将函数调用的结果返回。
LinearDRPCTopologyBuilder
Storm中提供了名为LinearDRPCTopologyBuilder 的topology builder，它几乎自动完成了DRPC的所有步骤，如下所示：
1.设置spout
2.向DRPC server返回运行结果。
3.给bolts提供了聚集元组的功能。
让我们一起看一下简单的例子，该例子是DRPC topology的一个实现并返回结果为输入附加字符串“!”。
public static class ExclaimBolt extends BaseBasicBolt {
public void execute(Tuple tuple, BasicOutputCollector collector) {
String input = tuple.getString(1);
collector.emit(new Values(tuple.getValue(0), input + "!"));
}
public void declareOutputFields(OutputFieldsDeclarer declarer) {
declarer.declare(new Fields("id", "result"));
}}
public static void main(String[] args) throws Exception {
LinearDRPCTopologyBuilder builder = new LinearDRPCTopologyBuilder("exclamation");
builder.addBolt(new ExclaimBolt(), 3);
// ...}
正如你所见，当创建LinearDRPCTopologyBuilder 时，你需要让topology知道 DRPC函数的名字。单个DRPC server负责很多函数的协调处理，且这些函数的功能不同。你声明的第一个bolt将接受一个2元组，第一个域是请求id，第二个域是请求参数。LinearDRPCTopologyBuilder 中最后一个bolt会输出形式为[id,result]的2元组输出流。最后，所有中间结果的元组的第一个域必须包括请求id。
在本例子中，ExclaimBolt 只是简单地给第二个域附加字符串“!”。LinearDRPCTopologyBuilder 继续和DRPC server通信并将结果返回。
Local mode DRPC
DRPC可以以本地模式运行，下面以本地模式运行的例子：
LocalDRPC drpc = new LocalDRPC();
LocalCluster cluster = new LocalCluster();
cluster.submitTopology("drpc-demo", conf, builder.createLocalTopology(drpc));
System.out.println("Results for 'hello':" + drpc.execute("exclamation", "hello"));
cluster.shutdown();
drpc.shutdown();
首先你会创建一个 LocalDPRC 对象，该对象会在进程中模拟一个 DRPC 服务器，就像LocalCluster 在进程中模拟 Storm 集群的功能一样。然后，创建LocalCluster以本地模式运行topology 。LinearDRPCTopologyBuilder 有独立的方法用于创建本地topologies 和远程topologies 。在本地模式下，LocalDRPC 对象没有绑定任何端口所以topology需要知道正在和它进行通信的对象，这是方法createLocalTopology 接受LocalDRPC 对象作为输入参数的原因。
在启动拓扑后，你可以使用 execute 方法来完成 DRPC 调用。
Remote mode DRPC
在一个真实的集群中使用 DRPC 有以下三个步骤：
1.启动 DRPC Server；
2.配置 DRPC Server的地址；
3.将 DRPC topologies 提交到集群运行。
可以像 Nimbus、Supervisor 那样使用 storm 命令来启动 DRPC Serve，如下：
bin/storm drpc
接下来，你需要在集群上配置 DRPC Server的地址。这是为了让 DRPCSpout 获取从哪里触发函数调用的方法。可以通过编辑 storm.yaml 或者添加拓扑配置的方式实现配置。配置 storm.yaml 的方式类似于下面这样：
drpc.servers:
- "drpc1.foo.com"
- "drpc2.foo.com"
最后，你可以像其他拓扑一样使用 StormSubmitter 来启动拓扑。以下是使用远程模式构造拓扑的一个例子：
StormSubmitter.submitTopology("exclamation-drpc", conf, builder.createRemoteTopology());
createRemoteTopology 方法是用来创建集群模式下运行的topologies 。
更复杂的例子
上面描述的exclamation DRPC是为了说明DRPC的简单例子。下面让我们共同学习一下更复杂的例子-Storm集群并行计算的DRPC函数调用，该例子是计算Twitter上URL的访问。
URL访问是指不同的人在Twitter上发的推文，你需要完成如下计算：
1.获取所有tweeted了该URL的所有人。
2.获取所有关注了1中的所有人。
3.2中所有人的set集合。
4.统计3中set集合的个数。
一次计算可能涉及上百次的数据库调用和数以千万计的关注记录，这计算规模确实很大。正如你所见，实现Storm函数是非常简单的。在单台机器上，计算需要1分钟；但在集群中，即使最难计算的URL访问也只需数秒。
一个简单的访问topology 可以在storm-starter中找到。下面是定义访问topology 的具体步骤：
LinearDRPCTopologyBuilder builder = new LinearDRPCTopologyBuilder("reach");
builder.addBolt(new GetTweeters(), 3);
builder.addBolt(new GetFollowers(), 12)
.shuffleGrouping();builder.addBolt(new PartialUniquer(), 6)
.fieldsGrouping(new Fields("id", "follower"));
builder.addBolt(new CountAggregator(), 2)
.fieldsGrouping(new Fields("id"));
topology 的执行按照以下四步骤：
1.GetTweeters 得到tweeted了URL的用户。它将[id,url]格式的输入流转换为[id,tweeter]格式的输出流。每个url将映射为多个tweeter元组。
2.GetFollowers得到tweeters的关注者。它将[id,tweeter]格式的输入流转换为[id,follower]格式的输出流。这些任务中，可能有重复的元组，因为一些人可能关注了多个人都tweeted了同样的URL。
3.PartialUniquer根据关注者id分组。这会导致同样的关注者在同样的任务中处理，所以每个PartialUniquer 的任务将会接受多个互补的关注者集合。一旦PartialUniquer 接受了所有的关注者元组，它将会输出关注者子集合元素的个数。
4.最后，CountAggregator 从PartialUniquer 接受部分count值然后累加完成整个计算，并返回结果。
下面看PartialUniquer bolt的代码实现：
public class PartialUniquer extends BaseBatchBolt {
BatchOutputCollector _collector;
Object _id;
Set<String> _followers = new HashSet<String>();
@Override
public void prepare(Map conf, TopologyContext context, BatchOutputCollector collector, Object id) {
_collector = collector;
_id = id;
}
@Override
public void execute(Tuple tuple) {
_followers.add(tuple.getString(1));
}
@Override
public void finishBatch() {
_collector.emit(new Values(_id, _followers.size()));
}
@Override
public void declareOutputFields(OutputFieldsDeclarer declarer) {
declarer.declare(new Fields("id", "partial-count"));
}}
PartialUniquer 通过继承BaseBatchBolt 间接实现了IBatchBolt 接口。batch bolt提供了第一个类API，用于将一批元组作为一个具体单元进行处理。对于每个请求id，会创建一个新的batch bolt实例，在适当时候Storm也会清理这些实例。
当PartialUniquer 在execute方法中接受了一个关注者元组时，会将该元组添加到请求id的set集合中。
当任务中的一批元组处理完成后会调用batch bolts的finishBatch 方法，该方法输出关注者id集合元素个数形式的一元组。在后台，CoordinatedBolt 用来监测何时给定bolt已经接受到了请求id所有的元组,它用direct stream来管理。
topology 中剩下的部分都能很容易明白，正如你看到的，每个访问计算步骤都是并行完成的，并且定义DRPC topology是非常简单的。
Non-linear DRPC topologies
LinearDRPCTopologyBuilder 只处理线性DRPC的topology，它的计算是一个序列步骤。不难想象功能需求将需要更复杂的topology ，它可能涉及到bolts的分支与整合。
LinearDRPCTopologyBuilder如何起作用
DRPCSpout 发送[args,return-info]元组。return-info是DRPC server的主机名、端口号和生成的id。
topology的构造参数包括：
DRPCSpout
PrepareRequest （生成请求id和创建返回信息stream和参数stream）
CoordinatedBolt wrappers and direct groupings
JoinResult （返回信息进行join操作）
ReturnResult （连接到DRPC server并返回结果）
LinearDRPCTopologyBuilder 是一个很好的例子
Advanced
KeyedFairBolt 同时处理多个请求。
如何直接使用CoordinatedBolt。