原文:
http://www.blogjava.net/killme2008/archive/2011/11/17/364112.html
作者:dennis (killme2008@gmail.com)
转载请注明出处。
最近一直在读twitter开源的这个分布式流计算框架——storm的源码,还是有必要记录下一些比较有意思的地方。我按照storm的主要概念进行组织,并且只分析我关注的东西,因此称之为浅析。
一、介绍
Storm的开发语言主要是Java和Clojure,其中Java定义骨架,而Clojure编写核心逻辑。源码统计结果:
180
text files.
177
unique files.
7
files ignored. http:
//
cloc.sourceforge.net v 1.55 T=1.0 s (171.0 files/s, 46869.0 lines/s)
-------------------------------------------------------------------------------
Language files blank comment code
-------------------------------------------------------------------------------
Java
125
5010
2414
25661
Lisp
33
732
283
4871
Python
7
742
433
4675
CSS
1
12
45
1837
ruby
2
22
0
104
Bourne Shell
1
0
0
6
Javascript
2
1
15
6
-------------------------------------------------------------------------------
SUM:
171
6519
3190
37160
-------------------------------------------------------------------------------
Java代码25000多行,而Clojure(Lisp)只有4871行,说语言不重要再次证明是扯淡。
二、Topology和Nimbus
Topology是storm的核心理念,将spout和bolt组织成一个topology,运行在storm集群里,完成实时分析和计算的任务。这里我主要想介绍下topology部署到storm集群的大概过程。提交一个topology任务到Storm集群是通过StormSubmitter.submitTopology方法提交:
StormSubmitter.submitTopology(name, conf, builder.createTopology());
我们将topology打成jar包后,利用bin/storm这个python脚本,执行如下命令:
bin
/
storm jar xxxx.jar com.taobao.MyTopology args
将jar包提交给storm集群。storm脚本会启动JVM执行Topology的main方法,执行submitTopology的过程。而submitTopology会将jar文件上传到nimbus,上传是通过socket传输。在storm这个python脚本的jar方法里可以看到:
def
jar(jarfile, klass,
*
args): exec_storm_class( klass, jvmtype
=
"
-client
"
, extrajars
=
[jarfile, CONF_DIR, STORM_DIR
+
"
/bin
"
], args
=
args, prefix
="export STORM_JAR=" + jarfile + ";"
)
将jar文件的地址设置为环境变量STORM_JAR,这个环境变量在执行submitTopology的时候用到:
//
StormSubmitter.java
private
static
void
submitJar(Map conf) {
if
(submittedJar
==
null
) { LOG.info(
"
Jar not uploaded to master yet. Submitting jar
"
); String localJar
=
System.getenv("STORM_JAR"
); submittedJar
=
submitJar(conf, localJar); }
else
{ LOG.info(
"
Jar already uploaded to master. Not submitting jar.
"
); } }
通过环境变量找到jar包的地址,然后上传。利用环境变量传参是个小技巧。
其次,nimbus在接收到jar文件后,存放到数据目录的inbox目录,
nimbus数据目录的结构:
-
nimbus
-
inbox
-
stormjar
-
57f1d694
-
2865
-
4b3b
-
8a7c
-
99104fc0aea3.jar
-
stormjar
-
76b4e316
-
b430
-
4215
-
9e26
-
4f33ba4ee520.jar
-
stormdist
-
storm
-
id
-
stormjar.jar
-
stormconf.ser
-
stormcode.ser
其中inbox用于存放提交的jar文件,每个jar文件都重命名为stormjar加上一个32位的UUID。而stormdist存放的是启动topology后生成的文件,每个topology都分配一个唯一的id,ID的规则是“name-计数-时间戳”。启动后的topology的jar文件名命名为storm.jar ,而它的配置经过java序列化后存放在stormconf.ser文件,而stormcode.ser是将topology本身序列化后存放的文件。
这些文件在部署的时候,supervisor会从这个目录下载这些文件,然后在supervisor本地执行这些代码。
进入重点,topology任务的分配过程(zookeeper路径说明忽略root):
1.在zookeeper上创建/taskheartbeats/{storm id} 路径,用于任务的心跳检测。storm对zookeeper的一个重要应用就是利用zk的临时节点做存活检测。task将定时刷新节点的时间戳,然后nimbus会检测这个时间戳是否超过timeout设置。
2.从topology中获取bolts,spouts设置的并行数目以及全局配置的最大并行数,然后产生task id列表,如[1 2 3 4]
3.在zookeeper上创建/tasks/{strom id}/{task id}路径,并存储task信息
4.开始分配任务(内部称为assignment), 具体步骤:
(1)从zk上获得已有的assignment(新的toplogy当然没有了)
(2)查找所有可用的slot,所谓slot就是可用的worker,在所有supervisor上配置的多个worker的端口。
(3)将任务均匀地分配给可用的worker,这里有两种情况:
(a)task数目比worker多,例如task是[1 2 3 4],可用的slot只有[host1:port1 host2:port1],那么最终是这样分配
{
1
: [host1:port1]
2
: [host2:port1]
3
: [host1:port1]
4
: [host2:port1]}
,可以看到任务平均地分配在两个worker上。
(b)如果task数目比worker少,例如task是[1 2],而worker有[host1:port1 host1:port2 host2:port1 host2:port2],那么首先会将woker排序,
将不同host间隔排列,保证task不会全部分配到同一个worker上,也就是将worker排列成
[host1:port1 host2:port1 host1:port2 host2:port2]
,然后分配任务为
{
1
: host1:port1 ,
2
: host2:port2}
(4)记录启动时间 (5)判断现有的assignment是否跟重新分配的assignment相同,如果相同,不需要变更,否则更新assignment到zookeeper的/assignments/{storm id}上。 5.启动topology,所谓启动,只是将zookeeper上/storms/{storm id}对应的数据里的active设置为true。 6.nimbus会检查task的心跳,如果发现task心跳超过超时时间,那么会重新跳到第4步做re-assignment。
文章转自庄周梦蝶 ,原文发布时间2011-12-01
相关资源:敏捷开发V1.0.pptx