Apache Storm使用

WindySky 2017-07-04

展开全文

Apache Storm 是 Apache 基金会的开源的分布式实时计算系统。与 Hadoop 的批处理相类似，Storm 可以对大量的数据流进行可靠的实时处理，这一过程也称为“流式处理”，是分布式大数据处理的一个重要方向。Storm 支持多种类型的应用，包括：实时分析、在线机器学习、连续计算、分布式RPC（DRPC）、ETL等。Strom 的一个重要特点就是“快速”的数据处理，有 benchmark 显示 Storm 能够达到单个节点每秒百万级 tuple 处理（tuple 是 Storm 的最小数据单元）的速度。快速的数据处理、优秀的可扩展性与容错性、便捷的可操作性与维护性、活跃的社区技术支持，这就是 Storm。

Storm 集群组件

Storm 集群中包含两类节点：主控节点（Master Node）和工作节点（Work Node）。其分别对应的角色如下：

主控节点（Master Node）上运行一个被称为Nimbus的后台程序，它负责在Storm集群内分发代码，分配任务给工作机器，并且负责监控集群运行状态。Nimbus的作用类似于Hadoop中JobTracker的角色
每个工作节点（Work Node）上运行一个被称为Supervisor的后台程序。Supervisor负责监听从Nimbus分配给它执行的任务，据此启动或停止执行任务的工作进程。每一个工作进程执行一个Topology的子集；一个运行中的Topology由分布在不同工作节点上的多个工作进程组成

Nimbus 和 Supervisor 节点之间所有的协调工作是通过 Zookeeper 集群来实现的。此外，Nimbus 和 Supervisor 进程都是快速失败（fail-fast)和无状态（stateless）的；Storm 集群所有的状态要么在 Zookeeper 集群中，要么存储在本地磁盘上。这意味着你可以用 kill -9 来杀死 Nimbus 和 Supervisor 进程，它们在重启后可以继续工作。这个设计使得Storm集群拥有不可思议的稳定性。

Storm 部署步骤

搭建一个Storm集群需要依次完成的安装步骤:

搭建Zookeeper集群
安装Storm依赖库(Java、Python)
下载并解压Storm发布版本
修改storm.yaml配置文件
启动Storm各个后台进程

Storm.yaml 配置

Storm发行版本解压目录下有一个conf/storm.yaml文件，用于配置Storm。默认配置可以在这里查看。conf/storm.yaml中的配置选项将覆盖defaults.yaml中的默认配置。以下配置选项是必须在conf/storm.yaml中进行配置的：

storm.zookeeper.servers: Storm集群使用的Zookeeper集群地址，其格式如下： storm.zookeeper.servers: - "111.222.333.444" - "555.666.777.888" 如果Zookeeper集群使用的不是默认端口，那么还需要storm.zookeeper.port选项
storm.local.dir: Nimbus和Supervisor进程用于存储少量状态，如jars、confs等的本地磁盘目录，需要提前创建该目录并给以足够的访问权限。然后在storm.yaml中配置该目录，如： storm.local.dir: "/home/admin/storm/workdir"
java.library.path: Storm使用的本地库加载路径，默认为"/usr/local/lib:/opt/local/lib:/usr/lib"，一般不需要配置
nimbus.host: Storm集群Nimbus机器地址，各个Supervisor工作节点需要知道哪个机器是Nimbus，以便下载Topologies的jars、confs等文件，如： nimbus.host: "111.222.333.444"
supervisor.slots.ports: 对于每个Supervisor工作节点，需要配置该工作节点可以运行的worker数量。每个worker占用一个单独的端口用于接收消息，该配置选项即用于定义哪些端口是可被worker使用的。如果需要在每个节点上运行4个workers，可以分别使用6700、6701、6702和6703端口，如： supervisor.slots.ports: - 6700 - 6701 - 6702 - 6703
JVM options: 用于配置Storm使用JVM参数

[注] yaml 文件的配置使用“-”来表示数据的层次结构，配置项的:后必须有空格，否则该配置项无法识别

集群配置示例如下：

########### These MUST be filled in for a storm configuration

# storm.zookeeper.servers:

# - "server1"

# - "server2"

storm.zookeeper.servers:

- "192.168.9.182"

- "192.168.9.185"

- "192.168.91.128"

storm.zookeeper.port: 2181

# storm's work directory

storm.local.dir: "/home/storm/workdir"

# nimbus.host: "nimbus"

nimbus.host: "192.168.9.185"

# supervisor's work ports

supervisor.slots.ports:

-6700

-6701

-6702

-6703

# #### Netty transport configuration

# transmission protocol

storm.messaging.transport: "backtype.storm.messaging.netty.Context"

# server's work threads number

storm.messaging.netty.server_worker_threads: 1

# client's work threads number

storm.messaging.netty.client_worker_threads: 1

# buffer size

storm.messaging.netty.buffer_size: 5242880

# max retry times

storm.messaging.netty.max_retries: 100

# max waiting time(ms)

storm.messaging.netty.max_wait_ms: 1000

# min waiting time(ms)

storm.messaging.netty.min_wait_ms: 100

## JVM parameters can be configured here

nimbus.childopts:

"-Xloggc:/home/enjoyor/storm/apache-storm-0.9.3/logs/nimbusGC.log -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps"

supervisor.childopts:

"-Xloggc:/home/enjoyor/storm/apache-storm-0.9.3/logs/nimbusGC.log -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps"

worker.childopts:

"-Xloggc:/home/enjoyor/storm/apache-storm-0.9.3/logs/nimbusGC.log -verbose:gc -XX:+PrintGCDetails -XX:+PrintGCDateStamps -XX:+PrintGCTimeStamps"

Storm 运行

和Zookeeper一样，Storm也是快速失败（fail-fast)的系统，这样Storm才能在任意时刻被停止，并且当进程重启后被正确地恢复执行。这也是为什么Storm不在进程内保存状态的原因，即使Nimbus或Supervisors被重启，运行中的Topologies不会受到影响。以下是启动Storm各个后台进程的方式：

Nimbus: 在Storm主控节点上运行 nohup storm nimbus & 启动Nimbus后台程序，并放到后台执行；
Supervisor: 在Storm各个工作节点上运行nohup storm supervisor & 启动Supervisor后台程序，并放到后台执行；
UI: 在Storm主控节点上运行nohup storm ui & 启动UI后台程序，并放到后台执行，启动后可以通过 http://{nimbus host}:8080 观察集群的worker资源使用情况、Topologies的运行状态等信息。