知识点
相关文章
更多最近更新
更多Storm常见模式——求TOP N
2019-03-02 23:44|来源: 网路
Storm的另一种常见模式是对流式数据进行所谓“streaming top N”的计算,它的特点是持续的在内存中按照某个统计指标(如出现次数)计算TOP N,然后每隔一定时间间隔输出实时计算后的TOP N结果。
流式数据的TOP N计算的应用场景很多,例如计算twitter上最近一段时间内的热门话题、热门点击图片等等。
下面结合Storm-Starter中的例子,介绍一种可以很容易进行扩展的实现方法:首先,在多台机器上并行的运行多个Bolt,每个Bolt负责一部分数据的TOP N计算,然后再有一个全局的Bolt来合并这些机器上计算出来的TOP N结果,合并后得到最终全局的TOP N结果。
该部分示例代码的入口是RollingTopWords类,用于计算文档中出现次数最多的N个单词。首先看一下这个Topology结构:
Topology构建的代码如下:
TopologyBuilder builder = new TopologyBuilder(); builder.setSpout("word", new TestWordSpout(), 5); builder.setBolt("count", new RollingCountObjects(60, 10), 4) .fieldsGrouping("word", new Fields("word")); builder.setBolt("rank", new RankObjects(TOP_N), 4) .fieldsGrouping("count", new Fields("obj")); builder.setBolt("merge", new MergeObjects(TOP_N)) .globalGrouping("rank");
(1)首先,TestWordSpout()是Topology的数据源Spout,持续随机生成单词发出去,产生数据流“word”,输出Fields是“word”,核心代码如下:
public void nextTuple() { Utils.sleep(100); final String[] words = new String[] {"nathan", "mike", "jackson", "golda", "bertels"}; final Random rand = new Random(); final String word = words[rand.nextInt(words.length)]; _collector.emit(new Values(word)); } public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("word")); }
(2)接下来,“word”流入RollingCountObjects这个Bolt中进行word count计算,为了保证同一个word的数据被发送到同一个Bolt中进行处理,按照“word”字段进行field grouping;在RollingCountObjects中会计算各个word的出现次数,然后产生“count”流,输出“obj”和“count”两个Field,核心代码如下:
public void execute(Tuple tuple) { Object obj = tuple.getValue(0); int bucket = currentBucket(_numBuckets); synchronized(_objectCounts) { long[] curr = _objectCounts.get(obj); if(curr==null) { curr = new long[_numBuckets]; _objectCounts.put(obj, curr); } curr[bucket]++; _collector.emit(new Values(obj, totalObjects(obj))); _collector.ack(tuple); } } public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("obj", "count")); }
(3)然后,RankObjects这个Bolt按照“count”流的“obj”字段进行field grouping;在Bolt内维护TOP N个有序的单词,如果超过TOP N个单词,则将排在最后的单词踢掉,同时每个一定时间(2秒)产生“rank”流,输出“list”字段,输出TOP N计算结果到下一级数据流“merge”流,核心代码如下:
public void execute(Tuple tuple, BasicOutputCollector collector) { Object tag = tuple.getValue(0); Integer existingIndex = _find(tag); if (null != existingIndex) { _rankings.set(existingIndex, tuple.getValues()); } else { _rankings.add(tuple.getValues()); } Collections.sort(_rankings, new Comparator<List>() { public int compare(List o1, List o2) { return _compare(o1, o2); } }); if (_rankings.size() > _count) { _rankings.remove(_count); } long currentTime = System.currentTimeMillis(); if(_lastTime==null || currentTime >= _lastTime + 2000) { collector.emit(new Values(new ArrayList(_rankings))); _lastTime = currentTime; } } public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("list")); }
(4)最后,MergeObjects这个Bolt按照“rank”流的进行全局的grouping,即所有上一级Bolt产生的“rank”流都流到这个“merge”流进行;MergeObjects的计算逻辑和RankObjects类似,只是将各个RankObjects的Bolt合并后计算得到最终全局的TOP N结果,核心代码如下:
public void execute(Tuple tuple, BasicOutputCollector collector) { List<List> merging = (List) tuple.getValue(0); for(List pair : merging) { Integer existingIndex = _find(pair.get(0)); if (null != existingIndex) { _rankings.set(existingIndex, pair); } else { _rankings.add(pair); } Collections.sort(_rankings, new Comparator<List>() { public int compare(List o1, List o2) { return _compare(o1, o2); } }); if (_rankings.size() > _count) { _rankings.subList(_count, _rankings.size()).clear(); } } long currentTime = System.currentTimeMillis(); if(_lastTime==null || currentTime >= _lastTime + 2000) { collector.emit(new Values(new ArrayList(_rankings))); LOG.info("Rankings: " + _rankings); _lastTime = currentTime; } } public void declareOutputFields(OutputFieldsDeclarer declarer) { declarer.declare(new Fields("list")); }
关于上述例子的几点说明:
(1) 为什么要有RankObjects和MergeObjects两级的Bolt来计算呢?
其实,计算TOP N的一个最简单的思路是直接使用一个Bolt(通过类似于RankObjects的类实现)来做全局的求TOP N操作。
但是,这种方式的明显缺点在于受限于单台机器的处理能力。
(2) 如何保证计算结果的正确性?
首先通过field grouping将同一个word的计算放到同一个Bolt上处理;最后有一个全局的global grouping汇总得到TOP N。
这样可以做到最大可能并行性,同时也能保证计算结果的正确。
(3) 如果当前计算资源无法满足计算TOP N,该怎么办?
这个问题本质上就是系统的可扩展性问题,基本的解决方法就是尽可能做到在多个机器上的并行计算过程,针对上面的Topology结构:
a) 可以通过增加每一级处理单元Bolt的数量,减少每个Bolt处理的数据规模;
b) 可以通过增加一级或多级Bolt处理单元,减少最终汇总处理的数据规模。
本文参考代码见:https://github.com/nathanmarz/storm-starter
转自:http://www.cnblogs.com/panfeng412/archive/2012/06/16/storm-common-patterns-of-streaming-top-n
相关问答
更多-
编程求n!,n由键盘输入[2022-04-15]
这是之前用C 写过的. #include #include main(){int f[10000],a[10000],i,j,k,t,n;while(scanf("%d",&n)!=EOF){memset(f,0,sizeof(f));f[0]=1;for(i=1;i =0;i--){if(f[i]!=0){k=i;break;}}for(i=k;i>=0;i--){printf("%d",f[i]);}printf("\n");}} 等下补上一个用Java 写的 //表示一个数字,使用 科学计数法。如50 ... -
用类和对象实现求n的阶乘[2023-12-18]
#include long fac(unsigned n) { if (n == 0 || n == 1) { return 1; } else { return (n * fac(n - 1)); } } int main() { unsigned ui; printf("输入计算的 阶乘:"); scanf("%u", &ui); printf("%u的阶乘为:%u\n", ui, fac(ui)); return 0; } -
如果[]的表达式返回false,则执行or ||之后的操作 (并且exit 0 )。 否则,它将短路并且将评估下一个语句。 If the expression in [] returns false, do the thing after the or || (and exit 0). Otherwise, it will short circuit and the next statement will be evaluated.
-
Python:如何使用re {n}(Python: how to use re{n})[2023-06-08]
您需要将范围运算符放在分组构造之后。 (?:\d[\s-]*){16} 说明 : (?: # group, but do not capture (16 times): \d # digits (0-9) [\s-]* # any character of: whitespace, '-' (0 or more times) ){16} # end of grouping 注意: | 在一个字符类中不是一个交替操作符,它按字面意思匹配字符。 You ... -
在我看来,在比特串中找到最右边的1。 看看以下两种情况: 这个数字很奇怪。 在这种情况下(n-1)是没有设置最后一位的相同编号。 反过来,你会得到一个0的掩码,其中原始数字为1,除了最后一个点。 例如:n = 01101,(n-1)= 01100,〜(n-1)= 10011,n&〜(n-1)= 01101&10011 = 00001 这个数字是偶数。 然后,与情况1相同,除了在AND操作期间,最后1的右边的所有位都是0。 例子:n = 01100,(n-1)= 01011,〜(n-1)= 10100,n&( ...
-
可以根据需要在n和2 k之间来回切换,因为你假设n = 2 k 。 但是,这并不意味着您拥有的内容是正确的。 请记住,当n减小时,n log n的值也会不断减小,因此声明不是这种情况 线i = W(2 ki )+ i * n lg n 是真的。 让我们再一次使用迭代方法: W(n)= W(n / 2)+ n log n =(W(n / 4)+(n / 2)log(n / 2))+ n log n = W(n / 4)+(n / 2)(log n-1)+ n log n = W(n / 4)+ n log n ...
-
当使用double数学时,日志结果或商可能不完全是数学结果,但1(或2)下一个可以表示double 。 计算log()只会返回log(0)的精确数学结果,所有其他数学结果都是非理性的。 一切都是理性的。 这可能会导致像29.999999 ...这样的答案,其保存为int为29。 推荐使用整数数学来代替 int mylog2(unsigned long x) { int y = 0; #if (ULONG_MAX>>16 > 1lu<<16) if (x >= 1lu<<32) { x >>= ...
-
您可以编写一个使用列表初始化的Comparator类。 然后,您可以使用列表和比较器调用Collections.sort()。 代码可能如下所示: import java.util.ArrayList; import java.util.Collections; import java.util.Comparator; import java.util.HashSet; import java.util.List; import java.util.Set; public class FrequencyC ...
-
我想我找到了答案。 在群集中,可能会运行更多拓扑。 设A , B , C , D为4个拓扑,在同一个集群中运行。 这是我的情况。 当您启动拓扑时,他们将为每个拓扑分配连续的数字,但是每个群集 (这是我的错误)。 因此我们从: A-1-... B-2-... C-3-... D-4-... 如果你重新启动C ,你就可以了 C-5... 那么C-4在哪里? 它根本不存在,因为D已经占用了4 。 因此,从n yo n+2跳过是正常的。 您可能会发现n+1分配给另一个拓扑。 (QED) I guess I've ...
-
正如Jürgen所说,你需要使用set-buffer-file-coding-system 。 你可以说 (set-buffer-file-coding-system 'unix) 并将其粘贴到find-file-hook的函数中,以便为您打开的所有缓冲区设置它。 或者,您可以将其放在write-file-hook列表中,以便在将文件转储到磁盘之前正确设置文件编码系统。 有了更简单的方法,如果您使用的是Emacs的GUI版本,则可以单击左侧的模式行中的第3个字符。 这是在eol格式之间切换。 As Jür ...