Storm入门教程第五章一致性事务

《Storm入门教程第五章一致性事务》由会员分享，可在线阅读，更多相关《Storm入门教程第五章一致性事务（7页珍藏版）》请在装配图网上搜索。

1、第五章 一致性事务Storm是一个分布式的流处理系统，利用anchor和ack机制保证所有tuple都被成功处理。如果tuple出错，则可以被重传，但是如何保证出错的tuple只被处理一次呢？Storm提供了一套事务性组件Transaction Topology，用来解决这个问题。Transactional Topology目前已经不再维护，由Trident来实现事务性topology，但是原理相同。5.1一致性事务的设计Storm如何实现即对tuple并行处理，又保证事务性。本节从简单的事务性实现方法入手，逐步引出Transactional Topology的原理。5.1.1 简单设计一：强

2、顺序流保证tuple只被处理一次，最简单的方法就是将tuple流变成强顺序的，并且每次只处理一个tuple。从1开始，给每个tuple都顺序加上一个id。在处理tuple的时候，将处理成功的tuple id和计算结果存在数据库中。下一个tuple到来的时候，将其id与数据库中的id做比较。如果相同，则说明这个tuple已经被成功处理过了，忽略它；如果不同，根据强顺序性，说明这个tuple没有被处理过，将它的id及计算结果更新到数据库中。以统计消息总数为例。每来一个tuple，如果数据库中存储的id 与当前tuple id不同，则数据库中的消息总数加1，同时更新数据库中的当前tuple id值。

3、如图： 但是这种机制使得系统一次只能处理一个tuple，无法实现分布式计算。5.1.2 简单设计二：强顺序batch流为了实现分布式，我们可以每次处理一批tuple，称为一个batch。一个batch中的tuple可以被并行处理。我们要保证一个batch只被处理一次，机制和上一节类似。只不过数据库中存储的是batch id。batch的中间计算结果先存在局部变量中，当一个batch中的所有tuple都被处理完之后，判断batch id，如果跟数据库中的id不同，则将中间计算结果更新到数据库中。如何确保一个batch里面的所有tuple都被处理完了呢？可以利用Storm提供的Coordinate

4、Bolt。如图：但是强顺序batch流也有局限，每次只能处理一个batch，batch之间无法并行。要想实现真正的分布式事务处理，可以使用storm提供的Transactional Topology。在此之前，我们先详细介绍一下CoordinateBolt的原理。5.1.3 CoordinateBolt原理CoordinateBolt具体原理如下： 真正执行计算的bolt外面封装了一个CoordinateBolt。真正执行任务的bolt我们称为real bolt。 每个CoordinateBolt记录两个值：有哪些task给我发送了tuple（根据topology的grouping信息）；我要

5、给哪些tuple发送信息（同样根据groping信息） Real bolt发出一个tuple后，其外层的CoordinateBolt会记录下这个tuple发送给哪个task了。 等所有的tuple都发送完了之后，CoordinateBolt通过另外一个特殊的stream以emitDirect的方式告诉所有它发送过tuple的task，它发送了多少tuple给这个task。下游task会将这个数字和自己已经接收到的tuple数量做对比，如果相等，则说明处理完了所有的tuple。 下游CoordinateBolt会重复上面的步骤，通知其下游。整个过程如图所示：CoordinateBolt主要用于两

6、个场景： DRPC Transactional TopologyCoordinatedBolt对于业务是有侵入的，要使用CoordinatedBolt提供的功能，你必须要保证你的每个bolt发送的每个tuple的第一个field是request-id。 所谓的“我已经处理完我的上游”的意思是说当前这个bolt对于当前这个request-id所需要做的工作做完了。这个request-id在DRPC里面代表一个DRPC请求；在Transactional Topology里面代表一个batch。5.1.4 Trasactional TopologyStorm提供的Transactional Topo

7、logy将batch计算分为process和commit两个阶段。Process阶段可以同时处理多个batch，不用保证顺序性；commit阶段保证batch的强顺序性，并且一次只能处理一个batch，第1个batch成功提交之前，第2个batch不能被提交。还是以统计消息总数为例，以下代码来自storm-starter里面的TransactionalGlobalCount。MemoryTransactionalSpout spout = new MemoryTransactionalSpout(DATA,new Fields(“word“),PARTITION_TAKE_PER_BATCH)

8、;TransactionalTopologyBuilder builder =newTransactionalTopologyBuilder(“global-count“, “spout“, spout, 3);builder.setBolt(“partial-count“,newBatchCount(), 5).noneGrouping(“spout“);builder.setBolt(“sum“,newUpdateGlobalCount().globalGrouping(“partial-count“);TransactionalTopologyBuilder共接收四个参数。 这个Tran

9、sactional Topology的id。Id用来在Zookeeper中保存当前topology的进度，如果这个topology重启，可以继续之前的进度执行。 Spout在这个topology中的id 一个TransactionalSpout。一个Trasactional Topology中只能有一个TrasactionalSpout.在本例中是一个MemoryTransactionalSpout，从一个内存变量（DATA）中读取数据。 TransactionalSpout的并行度（可选）。下面是BatchCount的定义:publicstaticclassBatchCountextends

10、BaseBatchBolt Object _id; BatchOutputCollector _collector;int_count = 0; Overridepublicvoidprepare(Map conf, TopologyContext context, BatchOutputCollector collector, Object id) _collector = collector; _id = id; Overridepublicvoidexecute(Tuple tuple) _count+; OverridepublicvoidfinishBatch() _collecto

11、r.emit(newValues(_id, _count); OverridepublicvoiddeclareOutputFields(OutputFieldsDeclarer declarer) declarer.declare(newFields(“id“, “count“); BatchCount的prepare方法的最后一个参数是batch id，在Transactional Tolpoloyg里面这id是一个TransactionAttempt对象。Transactional Topology里发送的tuple都必须以TransactionAttempt作为第一个field，sto

12、rm根据这个field来判断tuple属于哪一个batch。TransactionAttempt包含两个值：一个transaction id，一个attempt id。transaction id的作用就是我们上面介绍的对于每个batch中的tuple是唯一的，而且不管这个batch replay多少次都是一样的。attempt id是对于每个batch唯一的一个id， 但是对于同一个batch，它replay之后的attempt id跟replay之前就不一样了， 我们可以把attempt id理解成replay-times， storm利用这个id来区别一个batch发射的tuple的不同

13、版本。execute方法会为batch里面的每个tuple执行一次，你应该把这个batch里面的计算状态保持在一个本地变量里面。对于这个例子来说， 它在execute方法里面递增tuple的个数。最后， 当这个bolt接收到某个batch的所有的tuple之后， finishBatch方法会被调用。这个例子里面的BatchCount类会在这个时候发射它的局部数量到它的输出流里面去。下面是UpdateGlobalCount类的定义：publicstaticclassUpdateGlobalCountextendsBaseTransactionalBoltimplementsICommitter

14、TransactionAttempt _attempt; BatchOutputCollector _collector;int_sum = 0; Overridepublicvoidprepare(Mapconf, TopologyContext context,BatchOutputCollector collector, TransactionAttempt attempt) _collector = collector; _attempt = attempt; Overridepublicvoidexecute(Tuple tuple) _sum+=tuple.getInteger(1

15、); OverridepublicvoidfinishBatch() Value val =DATABASE.get(GLOBAL_COUNT_KEY); Value newval;if(val =null| !val.txid.equals(_attempt.getTransactionId() newval =newValue(); newval.txid = _attempt.getTransactionId();if(val=null) newval.count = _sum; else newval.count = _sum + val.count; DATABASE.put(GLO

16、BAL_COUNT_KEY, newval); else newval = val; _collector.emit(newValues(_attempt, newval.count); OverridepublicvoiddeclareOutputFields(OutputFieldsDeclarer declarer) declarer.declare(newFields(“id“, “sum“); UpdateGlobalCount实现了ICommitter接口，所以storm只会在commit阶段执行finishBatch方法。而execute方法可以在任何阶段完成。在UpdateGl

17、obalCount的finishBatch方法中，将当前的transaction id与数据库中存储的id做比较。如果相同，则忽略这个batch；如果不同，则把这个batch的计算结果加到总结果中，并更新数据库。Transactional Topolgy运行示意图如下：下面总结一下Transactional Topology的一些特性 Transactional Topology将事务性机制都封装好了，其内部使用CoordinateBolt来保证一个batch中的tuple被处理完。 TransactionalSpout只能有一个，它将所有tuple分为一个一个的batch，而且保证同一个ba

18、tch的transaction id始终一样。 BatchBolt处理batch在一起的tuples。对于每一个tuple调用execute方法，而在整个batch处理完成的时候调用finishBatch方法。 如果BatchBolt被标记成Committer，则只能在commit阶段调用finishBolt方法。一个batch的commit阶段由storm保证只在前一个batch成功提交之后才会执行。并且它会重试直到topology里面的所有bolt在commit完成提交。 Transactional Topology隐藏了anchor/ack框架，它提供一个不同的机制来fail一个batch，从而使得这个batch被replay。5.2 Trident介绍Trident是Storm之上的高级抽象，提供了joins，grouping，aggregations，fuctions和filters等接口。如果你使用过Pig或Cascading，对这些接口就不会陌生。Trident将stream中的tuples分成batches进行处理，API封装了对这些batches的处理过程，保证tuple只被处理一次。处理batches中间结果存储在TridentState对象中。Trident事务性原理这里不详细介绍，有兴趣的读者请自行查阅资料。参考：