【Storm】Storm实战之频繁二项集挖掘

2022-11-04 12:46:40

一、前言

　　针对大叔据实时处理的入门，除了使用WordCount示例之外，还需要相对更深入点的示例来理解Storm，因此，本篇博文利用Storm实现了频繁项集挖掘的案例，以方便更好的入门Storm。

二、基础知识

　　2.1 频繁二项集挖掘

　　如顾客去超市购物时，牙膏和牙刷基本上都是摆放在一起，因为购买牙膏时，很有可能会购买牙刷。另外，“啤酒与尿布”的案例则是对订单进行分析挖掘后发现的规律，将啤酒和尿布一起摆放会促进啤酒的销量。

　　2.2 算法设计

　　本示例中不考虑太复杂的挖掘算法，只考虑将两个商品组合后的挖掘，设计如下

　　　　· 将每笔订单的商品按照两两分组。

　　　　· 将每个分组的频度进行统计（不考虑商品的次序）。

　　　　· 根据频度计算支持度（每个组合出现的频率越高，更有可能是频繁组合）和置信度（商品组合出现的置信程度）。

　　　　· 设置支持度和置信度阈值，过滤不达标的数据。

　　2.3 Storm设计思路

　　　　· 使用Redis作为存储订单数据的数据库。

　　　　· 使用Spout从Redis中读取订单数据。

　　　　· 使用Bolt计算分组频度。

　　　　· 使用Bolt计算支持度和置信度。

　　　　· 使用Bolt筛选结果并存储到Redis中。

　　2.4 拓扑结构图

　　根据程序思路设计如下所示的拓扑结构，其组件在之后进行介绍。

　　【Storm】Storm实战之频繁二项集挖掘

三、设计实现

　　3.1 实现步骤

　　1. 产生订单数据

　　通过模拟程序产生订单数据，并存储Redis中，即使用OrderGenerator来生成订单数据并存入Redis中，每个订单有四种不同商品及其数量组成。

　　2. 接入订单数据

　　通过OrderSpout读取Redis中的订单数据，以供拓扑结构下游的Bolt使用。

　　3. 对订单中商品进行分组

　　通过SplitBolt对订单中的商品进行分组，两两分组并构建商品对，发送元组至下游Bolt。

　　4. 统计商品对总数

　　使用PairTotalCountBolt对所有商品对数量进行统计（用于计算支持度），并发送元组至下游Bolt。

　　5. 统计商品对及其出现次数

　　使用PairCountBolt对商品对出现的次数进行统计，并发送元组至下游Bolt。

　　6. 计算商品对支持度

　　使用SupportComputeBolt对商品对的支持度进行计算，并发送元组至下游Bolt。

　　7. 计算商品对置信度

　　使用ConfidenceComputeBolt对商品对的置信度进行计算，并发送元组至下游Bolt。

　　8. 过滤符合条件的商品对

　　使用FilterBolt对符合条件的商品对进行过滤并存入redis，并发送元组至下游Bolt。

　   3.1 源码分析

　　下面给出拓扑结构中的各组件的源码并进行分析。

　　1. OrderSpout　　　

package com.hust.grid.leesf.ordertest.spout;

import java.util.Map;

import org.json.simple.JSONArray;

import org.json.simple.JSONObject;

import org.json.simple.JSONValue;

import com.hust.grid.leesf.ordertest.common.ConfKeys;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import backtype.storm.spout.SpoutOutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichSpout;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Values;

import redis.clients.jedis.Jedis;

/**

 * 数据源，从redis读取订单

 *

 * @author leesf

 *

 */

public class OrderSpout extends BaseRichSpout {

    private static final long serialVersionUID = 1L;

    private SpoutOutputCollector collector;

    private Jedis jedis;

    private String host;

    private int port;

    public void open(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, SpoutOutputCollector collector) {

        this.collector = collector;

        this.host = conf.get(ConfKeys.REDIS_HOST).toString();

        this.port = Integer.parseInt(conf.get(ConfKeys.REDIS_PORT).toString());

        connectToRedis();

    }

    private void connectToRedis() {

        jedis = new Jedis(host, port);

        jedis.connect();

    }

    public void nextTuple() {

        String content = jedis.rpop("orders"); // 获取一条订单数据

        if (null == content || "nil".equals(content)) { // 若无，则等待300ms

            try {

                Thread.sleep(300);

            } catch (InterruptedException e) {

                e.printStackTrace();

            }

        } else { // 对订单数据进行转化

            JSONObject object = (JSONObject) JSONValue.parse(content);

            String id = object.get(FieldNames.ID).toString(); // 获取ID

            JSONArray items = (JSONArray) object.get(FieldNames.ITEMS); // 获取订单中的商品

            for (Object obj : items) { // 遍历订单中的商品

                JSONObject item = (JSONObject) obj;

                String name = item.get(FieldNames.NAME).toString(); // 商品名称

                int count = Integer.parseInt(item.get(FieldNames.COUNT).toString()); // 商品数量

                collector.emit(new Values(id, name, count)); // 发射订单号、商品名称、商品数量

                if (jedis.hexists("itemCounts", name)) { // redis中存在name字段

                    jedis.hincrBy("itemCounts", name, 1); // 商品对应数量（订单中多个商品当作1个）增加1

                } else { // redis中不存在name字段

                    jedis.hset("itemCounts", name, "1"); // 将name字段的值（商品数量）设置为1

                }

            }

        }

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明发射元组字段

        declarer.declare(new Fields(FieldNames.ID, FieldNames.NAME, FieldNames.COUNT));

    }

}

OrderSpout

　　说明：OrderSpout会从redis中读取订单数据，并遍历订单中每个商品并发射，同时会统计商品数据并存入redis。

　　2. CommandSpout

package com.hust.grid.leesf.ordertest.spout;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import backtype.storm.spout.SpoutOutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichSpout;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Values;

/**

 * 统计支持度和置信度

 *

 * @author leesf

 */

public class CommandSpout extends BaseRichSpout {

    private static final long serialVersionUID = 1L;

    private SpoutOutputCollector collector;

    public void open(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, SpoutOutputCollector collector) {

        this.collector = collector;

    }

    public void nextTuple() {

        // 休眠5S后发射“statistics”

        try {

            Thread.sleep(5000);

        } catch (InterruptedException e) {

            e.printStackTrace();

        }

        collector.emit(new Values("statistics"));

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.COMMAND));

    }

}

CommandSpout

　　说明：下游Bolt根据其发射的元组信息来统计支持度和置信度，其每5秒发射一次统计信号。

　　3. SplitBolt　

package com.hust.grid.leesf.ordertest.bolt;

import java.util.ArrayList;

import java.util.HashMap;

import java.util.List;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

/**

 * 对订单中的商品进行两两组合并发送

 *

 * @author leesf

 *

 */

public class SplitBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    private Map<String, List<String>> orderItems; // 存储订单及其商品

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        orderItems = new HashMap<String, List<String>>();

    }

    public void execute(Tuple tuple) {

        // 获取订单号和商品名称

        String id = tuple.getStringByField(FieldNames.ID);

        String newItem = tuple.getStringByField(FieldNames.NAME);

        if (!orderItems.containsKey(id)) { // 不包含该订单

            // 新生商品链表

            ArrayList<String> items = new ArrayList<String>();

            // 添加商品

            items.add(newItem);

            orderItems.put(id, items);

            return;

        }

        // 包含订单，取出订单中包含的商品

        List<String> items = orderItems.get(id);

        for (String existItem : items) { // 遍历商品

            // 将元组中提取的商品与订单中已存在的商品组合后发射

            collector.emit(createPair(newItem, existItem));

        }

        // 添加新的商品

        items.add(newItem);

    }

    private Values createPair(String item1, String item2) { // 按照指定顺序生成商品对

        if (item1.compareTo(item2) > 0) {

            return new Values(item1, item2);

        }

        return new Values(item2, item1);

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.ITEM1, FieldNames.ITEM2));

    }

}

SplitBolt

　　说明：其将每个订单的两两商品进行组合，然后发射。

　　4. PairTotalCountBolt　

package com.hust.grid.leesf.ordertest.bolt;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

/**

 * 计算商品对总数

 *

 * @author leesf

 *

 */

public class PairTotalCountBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    private int totalCount; // 商品对总数

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        totalCount = 0;

    }

    public void execute(Tuple tuple) {

        totalCount++; // 每收到一个元组，便增加商品对总数

        collector.emit(new Values(totalCount)); // 发射商品对总数

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.TOTAL_COUNT));

    }

}

PairTotalCountBolt

　　说明：其用于统计所有商品对的数量（用于后面支持度的计算）。

　　5. PairCountBolt

package com.hust.grid.leesf.ordertest.bolt;

import java.util.HashMap;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import com.hust.grid.leesf.ordertest.common.ItemPair;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

/**

 * 计算商品对出现的次数

 *

 * @author leesf

 *

 */

public class PairCountBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    private Map<ItemPair, Integer> pairCounts; // 存储商品对及其出现的次数

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        this.pairCounts = new HashMap<ItemPair, Integer>();

    }

    public void execute(Tuple tuple) {

        String item1 = tuple.getStringByField(FieldNames.ITEM1);

        String item2 = tuple.getStringByField(FieldNames.ITEM2);

        ItemPair itemPair = new ItemPair(item1, item2);

        int pairCount = 0;

        if (pairCounts.containsKey(itemPair)) { // 包含商品对

            // 取出商品对出现的次数

            pairCount = pairCounts.get(itemPair);

        }

        // 更新出现次数

        pairCount++;

        pairCounts.put(itemPair, pairCount);

        collector.emit(new Values(item1, item2, pairCount));

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.ITEM1, FieldNames.ITEM2, FieldNames.PAIR_COUNT));

    }

}

PairCountBolt

　　说明：其用于统计每个商品对出现的次数，然后发射。

　　6. SupportComputeBolt　　

package com.hust.grid.leesf.ordertest.bolt;

import java.util.HashMap;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import com.hust.grid.leesf.ordertest.common.ItemPair;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

/**

 * 计算商品对的支持度

 *

 * @author leesf

 *

 */

public class SupportComputeBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    private Map<ItemPair, Integer> pairCounts; // 存储商品对及其出现的次数

    private int pairTotalCount; // 商品对总数

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        pairCounts = new HashMap<ItemPair, Integer>();

        pairTotalCount = 0;

    }

    /**

     * 由于SupportComputeBolt订阅了多个流，其需要根据不同的字段做出不同的行为

     */

    public void execute(Tuple tuple) {

        if (tuple.getFields().get(0).equals(FieldNames.TOTAL_COUNT)) { // 对应PairTotalCountBolt

            // 取出商品对总数量

            pairTotalCount = tuple.getIntegerByField(FieldNames.TOTAL_COUNT);

        } else if (tuple.getFields().size() == 3) { // 对应PairCountBolt

            // 取出商品及其商品对出现的次数

            String item1 = tuple.getStringByField(FieldNames.ITEM1);

            String item2 = tuple.getStringByField(FieldNames.ITEM2);

            int pairCount = tuple.getIntegerByField(FieldNames.PAIR_COUNT);

            // 存储商品对及其次数

            pairCounts.put(new ItemPair(item1, item2), pairCount);

        } else if (tuple.getFields().get(0).equals(FieldNames.COMMAND)) { // 对应CommandSpout

            for (ItemPair itemPair : pairCounts.keySet()) { // 遍历商品对

                // 计算商品支持度，使用商品对出现的次数除以商品对总数量

                double itemSupport = (double) (pairCounts.get(itemPair).intValue()) / pairTotalCount;

                collector.emit(new Values(itemPair.getItem1(), itemPair.getItem2(), itemSupport));

            }

        }

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 定义元组字段

        declarer.declare(new Fields(FieldNames.ITEM1, FieldNames.ITEM2, FieldNames.SUPPORT));

    }

}

SupportComputeBolt

　　说明：计算每个商品对的支持度，并且发射支持度。

　　7. ConfidenceComputeBolt　

package com.hust.grid.leesf.ordertest.bolt;

import java.util.HashMap;

import java.util.Map;

import com.hust.grid.leesf.ordertest.common.ConfKeys;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import com.hust.grid.leesf.ordertest.common.ItemPair;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

import redis.clients.jedis.Jedis;

/**

 * 计算商品对的置信度

 *

 * @author leesf

 */

public class ConfidenceComputeBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    private OutputCollector collector;

    private Map<ItemPair, Integer> pairCounts; // 存储商品对及其出现的次数

    private String host;

    private int port;

    private Jedis jedis;

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        this.host = conf.get(ConfKeys.REDIS_HOST).toString();

        this.port = Integer.parseInt(conf.get(ConfKeys.REDIS_PORT).toString());

        pairCounts = new HashMap<ItemPair, Integer>();

        connectToRedis();

    }

    private void connectToRedis() {

        jedis = new Jedis(host, port);

        jedis.connect();

    }

    /**

     * 由于ConfidenceComputeBolt订阅了多个流，其需要根据元组不同的字段做出不同的行为

     */

    public void execute(Tuple tuple) {

        if (tuple.getFields().size() == 3) { // 对应PairCountBolt

            // 取出商品对及其出现次数

            String item1 = tuple.getStringByField(FieldNames.ITEM1);

            String item2 = tuple.getStringByField(FieldNames.ITEM2);

            int pairCount = tuple.getIntegerByField(FieldNames.PAIR_COUNT);

            pairCounts.put(new ItemPair(item1, item2), pairCount);

        } else if (tuple.getFields().get(0).equals(FieldNames.COMMAND)) { // 对应CommandSpout，需要进行统计

            for (ItemPair itemPair : pairCounts.keySet()) { // 遍历商品对

                // 从redis中取出商品对中商品出现的次数

                double item1Count = Integer.parseInt(jedis.hget("itemCounts", itemPair.getItem1()));

                double item2Count = Integer.parseInt(jedis.hget("itemCounts", itemPair.getItem2()));

                double itemConfidence = pairCounts.get(itemPair).intValue();

                // 计算商品对置信度

                if (item1Count < item2Count) {

                    itemConfidence /= item1Count;

                } else {

                    itemConfidence /= item2Count;

                }

                collector.emit(new Values(itemPair.getItem1(), itemPair.getItem2(), itemConfidence));

            }

        }

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.ITEM1, FieldNames.ITEM2, FieldNames.CONFIDENCE));

    }

}

　　说明：计算商品对的置信度，并且发射置信度。

　　8. FilterBolt

package com.hust.grid.leesf.ordertest.bolt;

import java.util.Map;

import org.json.simple.JSONObject;

import com.hust.grid.leesf.ordertest.common.ConfKeys;

import com.hust.grid.leesf.ordertest.common.FieldNames;

import com.hust.grid.leesf.ordertest.common.ItemPair;

import backtype.storm.task.OutputCollector;

import backtype.storm.task.TopologyContext;

import backtype.storm.topology.OutputFieldsDeclarer;

import backtype.storm.topology.base.BaseRichBolt;

import backtype.storm.tuple.Fields;

import backtype.storm.tuple.Tuple;

import backtype.storm.tuple.Values;

import redis.clients.jedis.Jedis;

/**

 * 过滤符合条件的商品对并存入redis

 *

 * @author leesf

 *

 */

public class FilterBolt extends BaseRichBolt {

    private static final long serialVersionUID = 1L;

    // 商品对的支持度和置信度

    private static final double SUPPORT_THRESHOLD = 0.01;

    private static final double CONFIDENCE_THRESHOLD = 0.01;

    private OutputCollector collector;

    private Jedis jedis;

    private String host;

    private int port;

    public void prepare(@SuppressWarnings("rawtypes") Map conf, TopologyContext context, OutputCollector collector) {

        this.collector = collector;

        this.host = conf.get(ConfKeys.REDIS_HOST).toString();

        this.port = Integer.parseInt(conf.get(ConfKeys.REDIS_PORT).toString());

        connectToRedis();

    }

    private void connectToRedis() {

        jedis = new Jedis(host, port);

        jedis.connect();

    }

    @SuppressWarnings("unchecked")

    public void execute(Tuple tuple) {

        // 取出商品并构造商品对

        String item1 = tuple.getStringByField(FieldNames.ITEM1);

        String item2 = tuple.getStringByField(FieldNames.ITEM2);

        ItemPair itemPair = new ItemPair(item1, item2);

        String pairString = itemPair.toString();

        double support = 0;

        double confidence = 0;

        if (tuple.getFields().get(2).equals(FieldNames.SUPPORT)) { // 对应SupportComputeBolt

            // 获取支持度并存入redis

            support = tuple.getDoubleByField(FieldNames.SUPPORT);

            jedis.hset("supports", pairString, String.valueOf(support));

        } else if (tuple.getFields().get(2).equals(FieldNames.CONFIDENCE)) { // 对应ConfidenceComputeBolt

            // 获取置信度并存入redis

            confidence = tuple.getDoubleByField(FieldNames.CONFIDENCE);

            jedis.hset("confidences", pairString, String.valueOf(confidence));

        }

        if (!jedis.hexists("supports", pairString) || !jedis.hexists("confidences", pairString)) { // 商品对的支持度和置信度还未计算完成，返回

            return;

        }

        // 商品对的支持度和置信度已经计算完成

        support = Double.parseDouble(jedis.hget("supports", pairString));

        confidence = Double.parseDouble(jedis.hget("confidences", pairString));

        if (support >= SUPPORT_THRESHOLD && confidence >= CONFIDENCE_THRESHOLD) { // 支持度和置信度超过阈值

            // 将该商品对信息存入redis中

            JSONObject pairValue = new JSONObject();

            pairValue.put(FieldNames.SUPPORT, support);

            pairValue.put(FieldNames.CONFIDENCE, confidence);

            jedis.hset("recommendedPairs", pairString, pairValue.toJSONString());

            collector.emit(new Values(item1, item2, support, confidence));

        } else { // 不高于阈值，则从redis中删除

            jedis.hdel("recommendedPairs", pairString);

        }

    }

    public void declareOutputFields(OutputFieldsDeclarer declarer) {

        // 声明元组字段

        declarer.declare(new Fields(FieldNames.ITEM1, FieldNames.ITEM2, FieldNames.SUPPORT, FieldNames.CONFIDENCE));

    }

}

FilterBolt

　　说明：判断支持度和置信度是否超过了阈值，若超过则需要存入redis，否则，从redis中删除。

四、程序运行

　　4.1. 环境依赖

　　打开redis服务器、客户端（方便观看结果）和zookeeper。

　　4.2. 写入订单数据

　　运行OrderGenerator，生成并写入订单数据，通过redis查看，结果如下

　　【Storm】Storm实战之频繁二项集挖掘

　　表示已经成功写入了订单数据。

　　4.3. 运行任务拓扑

　　运行OrderTopology，其会根据订单中的商品数据，生成并写入推荐商品对，通过redis查看，结果如下

　　【Storm】Storm实战之频繁二项集挖掘

　　可以看到运行完成后，已经成功生成了推荐商品方案。

五、总结

　　通过本篇Storm案例的学习，对于Storm的编程有了更深入的认识，同时，本项目的源代码已经上传至github，欢迎star，谢谢各位园友的观看～　　

参考链接：http://www.jikexueyuan.com/course/1437.html

上一篇：raid1 raid2 raid5 raid6 raid10的优缺点和做各自raid需要几块硬盘


下一篇：Basic Authentication in ASP.NET Web API