Storm专题二：Storm Trident API 使用详解

一、概述

Storm Trident中的核心数据模型就是“Stream”，也就是说，Storm Trident处理的是Stream，但是实际上Stream是被成批处理的，Stream被切分成一个个的Batch分布到集群中，所有应用在Stream上的函数最终会应用到每个节点的Batch中，实现并行计算，具体如下图所示：

在Trident中有五种操作类型：

1. Apply Locally:本地操作，所有操作应用在本地节点数据上，不会产生网络传输
2. Repartitioning:数据流重定向，单纯的改变数据流向，不会改变数据内容，这部分会有网络传输
3. Aggragation:聚合操作，会有网络传输
4. Grouped streams上的操作
5. Merge和Join

小结：上面提到了Trident实际上是通过把函数应用到每个节点的Batch上的数据以实现并行，而应用的这些函数就是TridentAPI，下面我们就具体介绍一下TridentAPI的各种操作。

二、Trident五种操作详解

2.1 Apply Locally本地操作：操作都应用在本地节点的Batch上，不会产生网络传输

2.1.1 Functions:函数操作

函数的作用是接收一个tuple(需指定接收tuple的哪个字段)，输出0个或多个tuples。输出的新字段值会被追加到原始输入tuple的后面，如果一个function不输出tuple，那就意味这这个tuple被过滤掉了，下面举例说明：

• 定义一个Function：

    public class MyFunction extends BaseFunction {
      @Override
      public void execute(TridentTuple tuple, TridentCollector collector) {
           for ( int i = 0; i < tuple.getInteger(0); i++) {
              collector.emit( new Values(i));
          }
     }
   }

小结：Function实际上就是对经过Function函的tuple做一些操作以改变其内容。

• 比如我们处理一个“mystream”的数据流，它有三个字段分别是[“a”, “b”, “c”] ，数据流中tuple的内容是：

[1,
2, 3] [4, 1, 6] [3, 0, 8]

• 我们运行我们的Function：

 java mystream.each(new Fields("b"), new MyFunction(), new Fields("d")))；

它意思是接收输入的每个tuple “b”字段得值，把函数结算结果做为新字段“d”追加到每个tuple后面，然后发射出去。

• 最终运行结果会是每个tuple有四个字段[“a”, “b”, “c”, “d”]，每个tuple的内容变成了：

 [1,
2, 3, 0] [1, 2, 3, 1] [4, 1, 6, 0]

2.1.2 Filters:过滤操作

• Filters很简单，接收一个tuple并决定是否保留这个tuple。举个例子，定义一个Filter：

 public class MyFilter extends BaseFilter {
     public boolean isKeep(TridentTuple tuple) {
           return tuple.getInteger(0) == 1 && tuple.getInteger(1) == 2;
     }
   }

• 假设我们的tuples有这个几个字段 [“a”,
  “b”, “c”]:

[1, 2, 3] [2, 1, 1] [2, 3, 4]

• 然后运行我们的Filter：

 java mystream.each(new Fields("b", "a"), new MyFilter())；

• 则最终得到的tuple是 ：

[2,
1, 1]

说明第一个和第三个不满足条件，都被过滤掉了。

小结：Filter就是一个过滤器，它决定是否需要保留当前tuple。

2.1.3 PartitionAggregate

PartitionAggregate的作用对每个Partition中的tuple进行聚合，与前面的函数在原tuple后面追加数据不同，PartitionAggregate的输出会直接替换掉输入的tuple，仅数据PartitionAggregate中发射的tuple。下面举例说明：

• 定义一个累加的PartitionAggregate：

java mystream.partitionAggregate(new Fields("b"), new Sum(), new Fields("sum"))；

• 假设我们的Stream包含两个字段 [“a”,
  “b”]，各个Partition的tuple内容是：

```
Partition 0: [“a”, 1] [“b”, 2]

Partition 1: [“a”, 3] [“c”, 8]

Partition 2: [“e”, 1] [“d”, 9] [“d”, 10] ```

• 输出的内容只有一个字段“sum”,值是：

```
Partition 0: [3]

Partition 1: [11]

Partition 2: [20] ```

TridentAPI提供了三个聚合器的接口：CombinerAggregator, ReducerAggregator,
and Aggregator.

我们先看一下CombinerAggregator接口：

 public interface CombinerAggregator <T> extends Serializable {
         T init(TridentTuple tuple);
         T combine(T val1, T val2);
         T zero();
    }

CombinerAggregator接口只返回一个tuple，并且这个tuple也只包含一个field。init方法会先执行，它负责预处理每一个接收到的tuple，然后再执行combine函数来计算收到的tuples直到最后一个tuple到达，当所有tuple处理完时，CombinerAggregator会发射zero函数的输出，举个例子：

• 定义一个CombinerAggregator实现来计数：

 public class CombinerCount implements CombinerAggregator<Integer>{
     @Override
     public Integer init(TridentTuple tuple) {
           return 1;
     }
     @Override
     public Integer combine(Integer val1, Integer val2) {

           return val1 + val2;
     }
     @Override
     public Integer zero() {
           return 0;
     }
   }

小结：当你使用aggregate 方法代替PartitionAggregate时，CombinerAggregator的好处就体现出来了，因为Trident会自动优化计算，在网络传输tuples之前做局部聚合。

我们再看一下ReducerAggregator：

 public interface ReducerAggregator <T> extends Serializable {
         T init();
         T reduce(T curr, TridentTuple tuple);
     }

ReducerAggregator通过init方法提供一个初始值，然后为每个输入的tuple迭代这个值，最后生产处一个唯一的tuple输出，下面举例说明：

• 定义一个ReducerAggregator接口实现技术器的例子：

 public class ReducerCount implements ReducerAggregator<Long>{
     @Override
     public Long init() {
           return 0L;
     }
     @Override
     public Long reduce(Long curr, TridentTuple tuple) {
           return curr + 1;
     }
 }

最后一个是Aggregator接口，它是最通用的聚合器，它的形式如下：

  public interface Aggregator<T> extends Operation {
        T init(Object batchId, TridentCollector collector);
        void aggregate(T val, TridentTuple tuple, TridentCollector collector);
        void complete(T val, TridentCollector collector);
   }

Aggregator接口可以发射含任意数量属性的任意数据量的tuples,并且可以在执行过程中的任何时候发射:

1. init:在处理数据之前被调用，它的返回值会作为一个状态值传递给aggregate和complete方法
2. aggregate：用来处理每一个输入的tuple，它可以更新状态值也可以发射tuple
3. complete：当所有tuple都被处理完成后被调用

    下面举例说明：

• 定义一个实现来完成一个计数器：

   public class CountAgg extends BaseAggregator<CountState>{
     static class CountState { long count = 0; }
     @Override
     public CountState init(Object batchId, TridentCollector collector) {
           return new CountState();
     }
     @Override
     public void aggregate(CountState val, TridentTuple tuple, TridentCollector collector) {
          val. count+=1;
     }
     @Override
     public void complete(CountState val, TridentCollector collector) {
          collector.emit( new Values(val. count));
     }
  }

    有时候我们需要同时执行多个聚合器，这在Trident中被称作chaining,使用方法如下：

java mystream.chainedAgg() .partitionAggregate(new Count(), new Fields("count")) .partitionAggregate(new Fields("b"), new Sum(), new Fields("sum")) .chainEnd();

    这点代码会在每个Partition上运行count和sum函数，最终输出一个tuple：[“count”, “sum”]

projection:投影操作

     投影操作作用是仅保留Stream指定字段的数据，比如有一个Stream包含如下字段： [“a”, “b”, “c”, “d”]

     运行如下代码：   

java mystream.project(new Fields("b", "d"))

    则输出的流仅包含 [“b”, “d”]字段。

2.2 Repartitioning重定向操作

     重定向操作是如何在各个任务间对tuples进行分区。分区的数量也有可能改变重定向的结果。重定向需要网络传输，下面介绍下重定向函数：

1. shuffle：通过随机分配算法来均衡tuple到各个分区
2. broadcast：每个tuple都被广播到所有的分区，这种方式在drcp时非常有用，比如在每个分区上做stateQuery
3. partitionBy：根据指定的字段列表进行划分，具体做法是用指定字段列表的hash值对分区个数做取模运算，确保相同字段列表的数据被划分到同一个分区
4. global：所有的tuple都被发送到一个分区，这个分区用来处理整个Stream
5. batchGlobal：一个Batch中的所有tuple都被发送到同一个分区，不同的Batch会去往不同的分区
6. Partition：通过一个自定义的分区函数来进行分区，这个自定义函数实现了 backtype.storm.grouping.CustomStreamGrouping

2.3 Aggragation聚合操作

     Trident有aggregate和 persistentAggregate方法来做聚合操作。aggregate是独立的运行在Stream的每个Batch上的，而persistentAggregate则是运行在Stream的所有Batch上并把运算结果存储在state source中。
     运行aggregate方法做全局聚合。当你用到  ReducerAggregator或Aggregator时，Stream首先被重定向到一个分区中，然后其中的聚合函数便在这个分区上运行。当你用到CombinerAggregator时，Trident会首先在每个分区上做局部聚合，然后把局部聚合后的结果重定向到一个分区，因此使用CombinerAggregator会更高效，可能的话我们需要优先考虑使用它。
     下面举个例子来说明如何用aggregate进行全局计数：
java mystream.aggregate(new Count(), new Fields("count"))；
和paritionAggregate一样，aggregators的聚合也可以串联起来，但是如果你把一个  CombinerAggregator和一个非CombinerAggregator串联在一起，Trident是无法完成局部聚合优化的。

2.4 grouped streams

      GroupBy操作是根据特定的字段对流进行重定向的，还有，在一个分区内部，每个相同字段的tuple也会被Group到一起，下面这幅图描述了这个场景：

     如果你在grouped Stream上面运行aggregators，聚合操作会运行在每个Group中而不是整个Batch。persistentAggregate也能运行在GroupedSteam上，不过结果会被保存在MapState中，其中的key便是分组的字段。
     当然，aggregators在GroupedStreams上也可以串联。

2.5 Merge和Joins:

api的最后一部分便是如何把各种流汇聚到一起。最简单的方式就是把这些流汇聚成一个流。我们可以这么做：
java topology.merge(stream1, stream2, stream3);
另一种合并流的方式就是join。一个标准的join就像是一个sql,必须有标准的输入，因此，join只针对符合条件的Stream。join应用在来自Spout的每一个小Batch中。join时候的tuple会包含：    

 1. join的字段，如Stream1中的key和Stream2中的x    

 2. 所有非join的字段，根据传入join方法的顺序，a和b分别代表steam1的val1和val2，c代表Stream2的val1          

     当join的是来源于不同Spout的stream时，这些Spout在发射数据时需要同步，一个Batch所包含的tuple会来自各个Spout。