Storm集群中运行的各种组件及其并行

2021-08-08 10:44:14

一、Storm中运行的组件

我们知道，Storm的强大之处就是可以很容易地在集群中横向拓展它的计算能力，它会把整个运算过程分割成多个独立的tasks在集群中进行并行计算。在Storm中，一个task就是运行在集群中的一个Spout或Bolt实例。

为了方便理解Storm如何并行处理我们分给它的任务,这里我先介绍一下在集群中涉及到Topology的四种组件：

Nodes(machines):集群中的节点，就是这些节点一起工作来执行Topology。
Workers(JVMs):一个worker就是一个独立的JVM进程。每个节点都可以通过配置运行一个或多个workers，一个Topology可以指定由多少个workers来执行。
Executors(threads):一个worker JVM中运行的线程。一个worker进程可以执行一个或多个executor线程。一个Executor可以运行多个tasks，Storm默认一个每个executor分配一个task。
Tasks(bolt/spout实例)：Tasks就是spouts和bolts的实例，它具体是被executor线程处理的。

二、Storm中的并行（以WordCountTopology为例）

我们可以通过配置来调整我们work的并行数量，如果我们不进行设置，Storm默认大部分过程的并行数量为1。假设我们对WordCountTopology不单独进行配置，那么我们的Topology执行情况如下图所示：

我们的一个节点会为我们的Topology分配一个worker，这个worker会为每个Task启动一个Executor线程。

2.1 为Topology增加workers

一种最简单的提高Topology运算能力的途径就是为我们的Topology增加workers。Storm为我们提供了两种途径来增加workers:通过配置文件或通过程序设置。

描述：在集群中为topology创建多少个工作进程
配置选项： TOPOLOGY_WORKERS
在代码中配置：
- Config#setNumWorkers

通过Config对象来配置workers:

Config config = new Config();

config.setNumWorkers(2);

注意：在LocalMode下不管设置几个workers，最终都只有一个worker JVM进程。

2.2 配置executors和tasks

前面我们已经说过，Storm会为每个Topology组件创建一个task，而默认一个executor只处理一个task。task是spouts和bolts的实例，一个executor线程可由处理多个tasks，tasks是真正处理具体数据的一个过程，我们在代码中写的spout和bolt可以看做是由集群中分布的tasks来执行的。Task的数量在整个topology运行期间一般是不变的，但是组件的Executors是有可能发生变化的。这也就意味着：threads<=tasks。

2.2.1 设置executor（thread）数量

通过设置parallelism hint来指定一个组件的executors。

描述：每个组件产生多少个Executor
配置选项：？
在代码中配置：
- TopologyBuilder#setSpout()
- TopologyBuilder#setBolt()
- Note that as of Storm 0.8 the parallelism_hint parameter now specifies the initial number of executors (not tasks!) for that bolt.

下面我们指定SentenseSpout的并行数量为2，则这个Spout组件会有两个executors，每个executor分配一个task，其Topology的运行情况如下图所示：

builder.setSpout(SENTENCE_SPOUT_ID, spout, 2);

2.2.2 设置task的数量

通过setNumTasks()方法来指定一个组件的tasks数量。

描述：每个组件创建多少个task
配置选项： TOPOLOGY_TASKS
在代码中配置：
- ComponentConfigurationDeclarer#setNumTasks()

下面我们为SplitSentenceBolt 设置4个tasks和2个executors，这样的话每个executor线程将被分配执行4/2=2个tasks，然后再为WordCountBolt分配4个task，每个task由一个executor负责执行。其Topology如下图所示：

builder.setBolt(SPLIT_BOLT_ID, splitBolt, 2).setNumTasks(4).shuffleGrouping(SENTENCE_SPOUT_ID);

builder.setBolt(COUNT_BOLT_ID, countBolt, 4).fieldsGrouping(SPLIT_BOLT_ID, newFields("word"));

如果一开始分配2个workers,则Topology的运行情况如下图所示：

三、一个topology的例子

下面这幅图展示了一个实际topology的全景，topology由三个组件组成，一个Spout：BlueSpout，两个Bolt：GreenBolt、YellowBolt。

如上图，我们配置了两个worker进程，两个Spout线程，两个GreenBolt线程和六个YellowBolt线程，那么分布到集群中的话，每个工作进程都会有5个executor线程。下面看一下具体代码：

java Config conf = new Config();

conf.setNumWorkers(2); // use two worker processes

topologyBuilder.setSpout(“blue-spout”, new BlueSpout(), 2); // set parallelism hint to 2

topologyBuilder.setBolt(“green-bolt”, new GreenBolt(), 2) .setNumTasks(4) .shuffleGrouping(“blue-spout”);

topologyBuilder.setBolt(“yellow-bolt”, new YellowBolt(), 6) .shuffleGrouping(“green-bolt”);

StormSubmitter.submitTopology( “mytopology”, conf, topologyBuilder.createTopology() );

当然，Storm中也有一个参数来控制topology的并行数量：

TOPOLOGY_MAX_TASK_PARALLELISM: 这个参数可以控制一个组件上Executor的最大数量。它通常用来在本地模式测试topology的最大线程数量。当然我们也可以在代码中设置： Config#setMaxTaskParallelism().

四、如何改变一个运行topology中的Parallelism

Storm中一个很好的特性就是可以在topology运行期间动态调制worker进程或Executor线程的数量而不需要重启topology。这种机制被称作rebalancing。

我们有两种方式来均衡一个topology：

通过Storm web UI来均衡
通过CLI tool storm 来均衡

下面就是一个CLI tool应用的例子：

# Reconfigure the topology “mytopology” to use 5 worker processes, # the spout “blue-spout” to use 3 executors and # the bolt “yellow-bolt” to use 10 executors.

$ storm rebalance mytopology -n 5 -e blue-spout=3 -e yellow-bolt=10

码农公寓