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 25661Lisp 33 732 283 4871Python 7 742 433 4675CSS 1 12 45 1837ruby 2 22 0 104Bourne Shell 1 0 0 6Javascript 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 + ";")
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。
原文链接：http://www.blogjava.net/killme2008/archive/2011/11/17/364112.html
【编辑推荐】
- Java代码规范那些事
- Java效率真的很低吗？Android为何要采用？
- 漫谈Java开源5年：自由但带着枷锁
- JavaFX2.0网格布局窗格GridPane
- BicaVM：基于JavaScript的JVM-为什么呢？
推荐阅读
优先队列，顾名思义，就是一种根据一定优先级存储和取出数据的队列。它可以说是队列和排序的完美结合体，不仅可以存储数据，还可以将这些数据按照我们设定的规则进行排序。先说说优先队列的实现吧。有一点需要澄清，>>>详细阅读
地址：http://www.17bianji.com/kaifa2/Java/1611.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示