荐 Twitter Storm Stream Grouping编写自定义分组实现

自定义Grouping测试

Storm是支持自定义分组的，本篇文章就是探究Storm如何编写一个自定义分组器，以及对Storm分组器如何分组数据的理解。

这是我写的一个自定义分组，总是把数据分到第一个Task：

public class MyFirstStreamGrouping implements CustomStreamGrouping {
    private static Logger log = LoggerFactory.getLogger(MyFirstStreamGrouping.class);

    private List<Integer> tasks;

    @Override
    public void prepare(WorkerTopologyContext context, GlobalStreamId stream,
        List<Integer> targetTasks) {
        this.tasks = targetTasks;
        log.info(tasks.toString());
    }   
    @Override
    public List<Integer> chooseTasks(int taskId, List<Object> values) {
        log.info(values.toString());
        return Arrays.asList(tasks.get(0));
    }
}

从上面的代码可以看出，该自定义分组会把数据归并到第一个TaskArrays.asList(tasks.get(0));，也就是数据到达后总是被派发到第一组。

测试代码：

TopologyBuilder builder = new TopologyBuilder()；
builder.setSpout("words", new TestWordSpout(), 2); 
//自定义分组，
builder.setBolt("exclaim1", new DefaultStringBolt(), 3)
        .customGrouping("words", new MyFirstStreamGrouping());

和之前的测试用例一样，Spout总是发送new String[] {“nathan”, “mike”, “jackson”, “golda”, “bertels”}列表的字符串。我们运行验证一下：

11878 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
11943 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [nathan]
11944 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: nathan
11979 [Thread-29-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [mike]
11980 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: mike
12045 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [jackson]
12045 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
12080 [Thread-29-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [jackson]
12081 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: jackson
12145 [Thread-41-words] INFO  cn.pointways.dstorm.grouping.MyFirstStreamGrouping - [mike]
12146 [Thread-25-exclaim1] INFO  cn.pointways.dstorm.bolt.DefaultStringBolt - rev a message: mike

从这个运行日志我们可以看出，数据总是派发到一个Blot：Thread-25-exclaim1。因为我时本地测试，Thread-25-exclaim1是线程名。而派发的线程是数据多个线程的。因此该测试符合预期，即总是发送到一个Task，并且这个Task也是第一个。

理解自定义分组实现

自己实现一个自定义分组难吗？其实如果你理解了Hadoop的Partitioner，Storm的CustomStreamGrouping和它也是一样的道理。

Hadoop MapReduce的Map完成后会把Map的中间结果写入磁盘，在写磁盘前，线程首先根据数据最终要传送到的Reducer把数据划分成相应的分区，然后不同的分区进入不同的Reduce。我们先来看看Hadoop是怎样把数据怎样分组的，这是Partitioner唯一一个方法：

public class Partitioner<K, V> {
    @Override
    public int getPartition(K key, V value, int numReduceTasks) {
        return 0;
    }
}

上面的代码中：Map输出的数据都会经过getPartition（）方法，用来确定下一步的分组。numReduceTasks是一个Job的Reduce数量，而返回值就是确定该条数据进入哪个Reduce。返回值必须大于等于0，小于numReduceTasks，否则就会报错。返回0就意味着这条数据进入第一个Reduce。对于随机分组来说，这个方法可以这么实现：

public int getPartition(K key, V value, int numReduceTasks) {
    return hash(key) % numReduceTasks;
}

其实Hadoop 默认的Hash分组策略也正是这么实现的。这样好处是，数据在整个集群基本上是负载平衡的。

搞通了Hadoop的Partitioner，我们来看看Storm的CustomStreamGrouping。

这是CustomStreamGrouping类的源码：

public interface CustomStreamGrouping extends Serializable {

   void prepare(WorkerTopologyContext context, GlobalStreamId stream, List<Integer> targetTasks);

   List<Integer> chooseTasks(int taskId, List<Object> values); 
}

一模一样的道理，targetTasks就是Storm运行时告诉你，当前有几个目标Task可以选择，每一个都给编上了数字编号。而 chooseTasks(int taskId, List