如何進行Twitter Storm Stream Grouping編寫自定義分組實現

本篇文章為大家展示了如何進行Twitter Storm Stream Grouping編寫自定義分組實現，內容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

##自定義Grouping測試

Storm是支持自定義分組的，本篇文章就是探究Storm如何編寫一個自定義分組器，以及對Storm分組器如何分組數據的理解。

這是我寫的一個自定義分組，總是把數據分到第一個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));
    }
}

從上面的代碼可以看出，該自定義分組會把數據歸并到第一個Task<code>Arrays.asList(tasks.get(0));</code>，也就是數據到達后總是被派發到第一組。

測試代碼：

TopologyBuilder builder = new TopologyBuilder()；
builder.setSpout("words", new TestWordSpout(), 2); 
//自定義分組，
builder.setBolt("exclaim1", new DefaultStringBolt(), 3)
	    .customGrouping("words", new MyFirstStreamGrouping());

和之前的測試用例一樣，Spout總是發送<code>new String[] {“nathan”, “mike”, “jackson”, “golda”, “bertels”}</code>列表的字符串。我們運行驗證一下：

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

從這個運行日志我們可以看出，數據總是派發到一個Blot：Thread-25-exclaim1。因為我時本地測試，Thread-25-exclaim1是線程名。而派發的線程是數據多個線程的。因此該測試符合預期，即總是發送到一個Task，并且這個Task也是第一個。

##理解自定義分組實現

自己實現一個自定義分組難嗎？其實如果你理解了Hadoop的Partitioner，Storm的CustomStreamGrouping和它也是一樣的道理。

Hadoop MapReduce的Map完成后會把Map的中間結果寫入磁盤，在寫磁盤前，線程首先根據數據最終要傳送到的Reducer把數據劃分成相應的分區，然后不同的分區進入不同的Reduce。我們先來看看Hadoop是怎樣把數據怎樣分組的，這是Partitioner唯一一個方法：

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

上面的代碼中：Map輸出的數據都會經過getPartition（）方法，用來確定下一步的分組。numReduceTasks是一個Job的Reduce數量，而返回值就是確定該條數據進入哪個Reduce。返回值必須大于等于0，小于numReduceTasks，否則就會報錯。返回0就意味著這條數據進入第一個Reduce。對于隨機分組來說，這個方法可以這么實現：

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

其實Hadoop 默認的Hash分組策略也正是這么實現的。這樣好處是，數據在整個集群基本上是負載平衡的。

搞通了Hadoop的Partitioner，我們來看看Storm的CustomStreamGrouping。

這是CustomStreamGrouping類的源碼：

public interface CustomStreamGrouping extends Serializable {

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

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

一模一樣的道理，targetTasks就是Storm運行時告訴你，當前有幾個目標Task可以選擇，每一個都給編上了數字編號。而 <code> chooseTasks(int taskId, List<Object> values); </code> 就是讓你選擇，你的這條數據values，是要哪幾個目標Task處理？

如上文文章開頭的自定義分組器實現的代碼，我選擇的總是讓第一個Task來處理數據，<code> return Arrays.asList(tasks.get(0)); </code> 。和Hadoop不同的是，Storm允許一條數據被多個Task處理，因此返回值是List<Integer>.就是讓你來在提供的 'List<Integer> targetTasks' Task中選擇任意的幾個（必須至少是一個）Task來處理數據。

上述內容就是如何進行Twitter Storm Stream Grouping編寫自定義分組實現，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。