Apache Storm Trident
Trident是Storm的延伸。像Storm，Trident也是由Twitter开发的。开发Trident的主要原因是在Storm上提供高级抽象，以及状态流处理和低延迟分布式查询。
Trident使用spout和bolt，但是这些低级组件在执行之前由Trident自动生成。
Trident具有函数，过滤器，联接，分组和聚合。
Trident将流处理为一系列批次，称为事务。通常，这些小批量的大小将是大约数千或数百万个元组，这取决于输入流。这样，Trident不同于Storm，它执行元组一元组处理。
批处理概念非常类似于数据库事务。每个事务都分配了一个事务ID。该事务被认为是成功的，一旦其所有的处理完成。然而，处理事务的元组中的一个的失败将导致整个事务被重传。
对于每个批次，Trident将在事务开始时调用beginCommit，并在结束时提交。
认识storm trident
trident可以理解为storm批处理的高级抽象,提供了分组、分区、聚合、函数等操作,提供一致性和恰好一次处理的语义。
1)元祖被作为batch处理
2)每个batch的元祖都被指定唯一的一个事物id,如果因为处理失败导致batch重发,也和保证和重发前一样的事物id
3)数据更新操作严格有序,比如batch1必须在batch2之前被成功处理,且如果batch1失败了,后面的处理也会失败。
假如:
batch1处理1–20
batch2处理21–40
batch1处理失败，那么batch2也会失败
虽然数据更新操作严格有序，但是数据处理阶段也可以并行的,只是最后的持久化操作必须有序。
trident state
trident的状态具有仅仅处理一次,持续聚合的语义,使用trident来实现恰好一次的语义不需要开发人员去处理事务相关的工作,因为trident state已经帮我们封装好了,只需要编写类似于如下的代码：
topology.newStream("sentencestream", spout)
.each(new Fields("sentence"), new Split(), new Fields("word"))
.groupBy(new Fields("word"))
.persistentAggregate(new MyHbaseState.HbaseFactory(options), new Count(), new Fields("count"))
.parallelismHint(3);
所有处理事务逻辑都在MyHbaseState.HbaseFactory中处理了(这个是我自己定义的,trident支持在内存里面处理,类似于MemachedState.opaque)。
trident提供了一个StateFactory用来创建State对象的实例,行如:
public final class XFactory implements StateFactory{
public State makeState(Map conf,int partitonIndex,int numPartitions){
return new State();
}
}
persistentAggregate
persistentAggregate是trident中用来更新来源的状态,如果前面是一个分好组的流,trident希望你提供的状态实现MapState接口,其中key是分组的字段,而聚合结果是状态的值。
实现MapStates
trident中实现MapState非常简单,只需要为这个类提供一个IBackingMap的接口实现接口。
组成元素
Trident拓扑
Trident API公开了一个简单的选项，使用“TridentTopology”类创建Trident拓扑。
基本上，Trident拓扑从流出接收输入流，并对流上执行有序的操作序列（滤波，聚合，分组等）。
Storm元组被替换为Trident元组，bolt被操作替换。
一个简单的Trident拓扑可以创建如下
TridentTopology topology = new TridentTopology();
Trident Tuples
Trident Tuples是一个命名的值列表。TridentTuple接口是Trident拓扑的数据模型。TridentTuple接口是可由Trident拓扑处理的数据的基本单位。
Trident Spout
Trident spout与类似于Storm spout，附加选项使用Trident的功能。
实际上，我们仍然可以使用IRichSpout，我们在Storm拓扑中使用它，但它本质上是非事务性的，我们将无法使用Trident提供的优点。
具有使用Trident的特征的所有功能的基本spout是“ITridentSpout”。它支持事务和不透明的事务语义。
其他的spouts是IBatchSpout，IPartitionedTridentSpout和IOpaquePartitionedTridentSpout。
除了这些通用spouts，Trident有许多样品实施trident spout。
其中之一是FeederBatchSpout输出，我们可以使用它发送trident tuples的命名列表，而不必担心批处理，并行性等。
FeederBatchSpout创建和数据馈送可以如下所示完成
TridentTopology topology = new TridentTopology();
FeederBatchSpout testSpout = new FeederBatchSpout(
ImmutableList.of("fromMobileNumber", "toMobileNumber", “duration”));
topology.newStream("fixed-batch-spout", testSpout)
testSpout.feed(ImmutableList.of(new Values("1234123401", "1234123402", 20)));
Trident操作
Trident依靠“Trident操作”来处理trident tuples的输入流。
Trident API具有多个内置操作来处理简单到复杂的流处理。
这些操作的范围从简单验证到复杂的trident tuples分组和聚合。
让我们经历最重要和经常使用的操作。
过滤
过滤器是用于执行输入验证任务的对象。
Trident过滤器获取trident tuples字段的子集作为输入，并根据是否满足某些条件返回真或假。
如果返回true，则该元组保存在输出流中;否则，从流中移除元组。
过滤器将基本上继承自BaseFilter类并实现isKeep方法。
示例
这里是一个滤波器操作的示例实现
public class MyFilter extends BaseFilter {
public boolean isKeep(TridentTuple tuple) {
return tuple.getInteger(1) % 2 == 0;
}
}
input
[1, 2]
[1, 3]
[1, 4]
output
[1, 2]
[1, 4]
each 方法
可以使用“each”方法在拓扑中调用过滤器功能。
“Fields”类可以用于指定输入（trident tuple的子集）。
示例代码如下
TridentTopology topology = new TridentTopology();
topology.newStream("spout", spout).each(new Fields("a", "b"), new MyFilter())
函数
函数是用于对单个trident tuple执行简单操作的对象。
它需要一个trident tuple字段的子集，并发出零个或多个新的trident tuple字段。
函数基本上从BaseFunction类继承并实现execute方法。
示例
下面给出了一个示例实现：
public class MyFunction extends BaseFunction {
public void execute(TridentTuple tuple, TridentCollector collector) {
int a = tuple.getInteger(0);
int b = tuple.getInteger(1);
collector.emit(new Values(a + b));
}
}
input
[1, 2]
[1, 3]
[1, 4]
output
[1, 2, 3]
[1, 3, 4]
[1, 4, 5]
拓扑
与过滤操作类似，可以使用每个方法在拓扑中调用函数操作。
示例代码如下
TridentTopology topology = new TridentTopology();
topology.newStream("spout", spout)
.each(new Fields(“a, b"), new MyFunction(), new Fields(“d")));
聚合
聚合是用于对输入批处理或分区或流执行聚合操作的对象。
三种类型
Trident有三种类型的聚合。
他们如下
aggregate -单独聚合每批trident tuple。在聚合过程期间，首先使用全局分组将元组重新分区，以将同一批次的所有分区组合到单个分区中。
partitionAggregate -聚合每个分区，而不是整个trident tuple。分区集合的输出完全替换输入元组。分区集合的输出包含单个字段元组。
persistentaggregate -聚合所有批次中的所有trident tuple，并将结果存储在内存或数据库中。
例子
TridentTopology topology = new TridentTopology();
// aggregate operation
topology.newStream("spout", spout)
.each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
.aggregate(new Count(), new Fields(“count”))
// partitionAggregate operation
topology.newStream("spout", spout)
.each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
.partitionAggregate(new Count(), new Fields(“count"))
// persistentAggregate - saving the count to memory
topology.newStream("spout", spout)
.each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
.persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"));
可以使用CombinerAggregator，ReducerAggregator或通用Aggregator接口创建聚合操作。
上面例子中使用的“计数”聚合器是内置聚合器之一，它使用“CombinerAggregator”实现，实现如下
public class Count implements CombinerAggregator<Long> {
@Override
public Long init(TridentTuple tuple) {
return 1L;
}
@Override
public Long combine(Long val1, Long val2) {
return val1 + val2;
}
@Override
public Long zero() {
return 0L;
}
}
分组
分组操作是一个内置操作，可以由groupBy方法调用。
groupBy方法通过在指定字段上执行partitionBy来重新分区流，然后在每个分区中，它将组字段相等的元组组合在一起。
通常，我们使用“groupBy”以及“persistentAggregate”来获得分组聚合。
示例代码如下 -
TridentTopology topology = new TridentTopology();
// persistentAggregate - saving the count to memory
topology.newStream("spout", spout)
.each(new Fields(“a, b"), new MyFunction(), new Fields(“d”))
.groupBy(new Fields(“d”)
.persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"));
合并和连接
合并和连接可以分别通过使用“合并”和“连接”方法来完成。
合并组合一个或多个流。加入类似于合并，除了加入使用来自两边的trident tuple字段来检查和连接两个流的事实。
此外，加入将只在批量级别工作。
示例代码如下
TridentTopology topology = new TridentTopology();
topology.merge(stream1, stream2, stream3);
topology.join(stream1, new Fields("key"), stream2, new Fields("x"),
new Fields("key", "a", "b", "c"));
状态维护
Trident提供了状态维护的机制。
状态信息可以存储在拓扑本身中，否则也可以将其存储在单独的数据库中。
原因是维护一个状态，如果任何元组在处理过程中失败，则重试失败的元组。
这会在更新状态时产生问题，因为您不确定此元组的状态是否已在之前更新过。
如果在更新状态之前元组已经失败，则重试该元组将使状态稳定。
然而，如果元组在更新状态后失败，则重试相同的元组将再次增加数据库中的计数并使状态不稳定。
需要执行以下步骤以确保消息仅处理一次
小批量处理元组。
为每个批次分配唯一的ID。如果重试批次，则给予相同的唯一ID。
状态更新在批次之间排序。例如，第二批次的状态更新将不可能，直到第一批次的状态更新完成为止。
分布式RPC
分布式RPC用于查询和检索Trident拓扑结果。
Storm有一个内置的分布式RPC服务器。
分布式RPC服务器从客户端接收RPC请求并将其传递到拓扑。
拓扑处理请求并将结果发送到分布式RPC服务器，分布式RPC服务器将其重定向到客户端。
Trident的分布式RPC查询像正常的RPC查询一样执行，除了这些查询并行运行的事实。
什么时候使用Trident？
在许多使用情况下，如果要求是只处理一次查询，我们可以通过在Trident中编写拓扑来实现。
另一方面，在Storm的情况下将难以实现精确的一次处理。
因此，Trident将对那些需要一次处理的用例有用。
Trident不适用于所有用例，特别是高性能用例，因为它增加了Storm的复杂性并管理状态。
Trident的工作实例
我们将把上一节中制定的呼叫日志分析器应用程序转换为Trident框架。
由于其高级API，Trident应用程序将比普通风暴更容易。
Storm基本上需要执行Trident中的Function，Filter，Aggregate，GroupBy，Join和Merge操作中的任何一个。
最后，我们将使用LocalDRPC类启动DRPC服务器，并使用LocalDRPC类的execute方法搜索一些关键字。
格
式化呼叫信息 FormatCall类的目的是格式化包括“呼叫者号码”和“接收者号码”的呼叫信息。
完整的程序代码如下
import backtype.storm.tuple.Values;
import storm.trident.operation.BaseFunction;
import storm.trident.operation.TridentCollector;
import storm.trident.tuple.TridentTuple;
public class FormatCall extends BaseFunction {
@Override
public void execute(TridentTuple tuple, TridentCollector collector) {
String fromMobileNumber = tuple.getString(0);
String toMobileNumber = tuple.getString(1);
collector.emit(new Values(fromMobileNumber + " - " + toMobileNumber));
}
}
CSVSplit
CSVSplit类的目的是基于“comma（，）”拆分输入字符串，并发出字符串中的每个字。
此函数用于解析分布式查询的输入参数。
完整的代码如下
import backtype.storm.tuple.Values;
import storm.trident.operation.BaseFunction;
import storm.trident.operation.TridentCollector;
import storm.trident.tuple.TridentTuple;
public class CSVSplit extends BaseFunction {
@Override
public void execute(TridentTuple tuple, TridentCollector collector) {
for(String word: tuple.getString(0).split(",")) {
if(word.length() > 0) {
collector.emit(new Values(word));
}
}
}
}
日志分析器
这是主要的应用程序。
最初，应用程序将使用FeederBatchSpout初始化TridentTopology并提供调用者信息。
Trident拓扑流可以使用TridentTopology类的newStream方法创建。
类似地，Trident拓扑DRPC流可以使用TridentTopology类的newDRCPStream方法创建。
可以使用LocalDRPC类创建一个简单的DRCP服务器。
LocalDRPC有execute方法来搜索一些关键字。
完整的代码如下。
import java.util.*;
import backtype.storm.Config;
import backtype.storm.LocalCluster;
import backtype.storm.LocalDRPC;
import backtype.storm.utils.DRPCClient;
import backtype.storm.tuple.Fields;
import backtype.storm.tuple.Values;
import storm.trident.TridentState;
import storm.trident.TridentTopology;
import storm.trident.tuple.TridentTuple;
import storm.trident.operation.builtin.FilterNull;
import storm.trident.operation.builtin.Count;
import storm.trident.operation.builtin.Sum;
import storm.trident.operation.builtin.MapGet;
import storm.trident.operation.builtin.Debug;
import storm.trident.operation.BaseFilter;
import storm.trident.testing.FixedBatchSpout;
import storm.trident.testing.FeederBatchSpout;
import storm.trident.testing.Split;
import storm.trident.testing.MemoryMapState;
import com.google.common.collect.ImmutableList;
public class LogAnalyserTrident {
public static void main(String[] args) throws Exception {
System.out.println("Log Analyser Trident");
TridentTopology topology = new TridentTopology();
FeederBatchSpout testSpout = new FeederBatchSpout(ImmutableList.of("fromMobileNumber",
"toMobileNumber", "duration"));
TridentState callCounts = topology
.newStream("fixed-batch-spout", testSpout)
.each(new Fields("fromMobileNumber", "toMobileNumber"),
new FormatCall(), new Fields("call"))
.groupBy(new Fields("call"))
.persistentAggregate(new MemoryMapState.Factory(), new Count(),
new Fields("count"));
LocalDRPC drpc = new LocalDRPC();
topology.newDRPCStream("call_count", drpc)
.stateQuery(callCounts, new Fields("args"), new MapGet(), new Fields("count"));
topology.newDRPCStream("multiple_call_count", drpc)
.each(new Fields("args"), new CSVSplit(), new Fields("call"))
.groupBy(new Fields("call"))
.stateQuery(callCounts, new Fields("call"), new MapGet(),
new Fields("count"))
.each(new Fields("call", "count"), new Debug())
.each(new Fields("count"), new FilterNull())
.aggregate(new Fields("count"), new Sum(), new Fields("sum"));
Config conf = new Config();
LocalCluster cluster = new LocalCluster();
cluster.submitTopology("trident", conf, topology.build());
Random randomGenerator = new Random();
int idx = 0;
while(idx < 10) {
testSpout.feed(ImmutableList.of(new Values("1234123401",
"1234123402", randomGenerator.nextInt(60))));
testSpout.feed(ImmutableList.of(new Values("1234123401",
"1234123403", randomGenerator.nextInt(60))));
testSpout.feed(ImmutableList.of(new Values("1234123401",
"1234123404", randomGenerator.nextInt(60))));
testSpout.feed(ImmutableList.of(new Values("1234123402",
"1234123403", randomGenerator.nextInt(60))));
idx = idx + 1;
}
System.out.println("DRPC : Query starts");
System.out.println(drpc.execute("call_count","1234123401 - 1234123402"));
System.out.println(drpc.execute("multiple_call_count", "1234123401 -
1234123402,1234123401 - 1234123403"));
System.out.println("DRPC : Query ends");
cluster.shutdown();
drpc.shutdown();
// DRPCClient client = new DRPCClient("drpc.server.location", 3772);
}
}
参考资料
- 官方
Apache Storm 官方文档 —— Trident State
Apache Storm 官方文档 —— Trident 教程
- other
