基于Storm的怎么實現大數據平臺

本篇內容主要講解“基于Storm的怎么實現大數據平臺”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“基于Storm的怎么實現大數據平臺”吧!

為什么要做實時數據平臺

首先先介紹一下背景，為什么我們要做這個數據平臺?其實了解攜程的業務的話，就會知道攜程的業務部門是非常多的，除了酒店和機票兩大業務之外，有近20個SBU和公共部門，他們的業務形態差異較大，變化也快，原來那種Batch形式的數據處理方式已經很難滿足各個業務數據獲取和分析的需要，他們需要更為實時地分析和處理數據。

其實在這個統一的實時平臺之前，各個部門自己也做一些實時數據分析的應用，但是其中存在很多的問題：

首先是技術選型五花八門，消息隊列有用ActiveMQ的，有用RabbitMQ的，也有用Kafka的，分析平臺有用Storm的，有用Spark-streaming的，也有自己寫程序處理的;由于業務部門技術力量參差不齊，并且他們的主要精力還是放在業務需求的實現上，所以這些實時數據應用的穩定性往往難以保證。

其次就是缺少周邊設施，比如說像報警、監控這些東西。

***就是數據和信息的共享不順暢，如果度假要使用酒店的實時數據，兩者分析處理的系統不同就會很難弄。所以在這樣前提下，就需要打造一個統一的實時數據平臺。

需要怎樣的實時數據平臺

這個統一的數據平臺需要滿足4個需求：

• 首先是穩定性，穩定性是任何平臺和系統的生命線;

• 其次是完整的配套設施，包括測試環境，上線、監控和報警;

• 再次是方便信息共享，信息共享有兩個層面的含義，1、是數據的共享;2、是應用場景也可以共享，比如說一個部門會受到另一個部門的一個實時分析場景的啟發，在自己的業務領域內也可以做一些類似的應用;

• ***服務響應的及時性，用戶在開發、測試、上線及維護整個過程都會遇到各種各樣的問題，都需要得到及時的幫助和支持。

如何實現

在明確了這些需求之后我們就開始構建這個平臺，當然***步面臨的肯定是一個技術選型的問題。消息隊列這邊Kafka已經成為了一個既定的事實標準;但是在實時處理平臺的選擇上還是有蠻多候選的系統，如Linkedin的Samza， apache的S4，最主流的當然是Storm和Spark-streaming啦。

出于穩定和成熟度的考量，當時我們***是選擇了Storm作為實時平臺。如果現在讓我重新再來看的話，我覺得Spark-streaming和Storm都是可以的，因為這兩個平臺現在都已經比較成熟了。

架構圖的話就比較簡單，就是從一些業務的服務器上去收集這個日志，或者是一些業務數據，然后實時地寫入Kafka里面，Storm作業從Kafka讀取數據，進行計算，把計算結果吐到各個業務線依賴的外部存儲中。

那我們僅僅構建這些就夠了嗎?當然是遠遠不夠的，因為這樣僅僅是一些運維的東西，你只是把一個系統的各個模塊搭建起來。

前面提到的平臺的兩個最關鍵的需求：數據共享和平臺整體的穩定性很難得到保證，我們需要做系統治理來滿足這兩個平臺的關鍵需求。

首先說說數據共享的問題，我們通常認為就是數據共享的前提是指用戶要清晰的知道使用數據源的那個業務含義和其中數據的Schema，用戶在一個集中的地方能夠非常簡單地看到這些信息;我們解決的方式是使用Avro的方式定義數據的Schema，并將這些信息放在一個統一的Portal站點上;數據的生產者創建Topic，然后上傳Avro格式的Schema，系統會根據Avro的Schema生成Java類，并生成相應的JAR，把JAR加入Maven倉庫;對于數據的使用者來說，他只需要在項目中直接加入依賴即可。

此外，我們封裝了Storm的API，幫用戶實現了反序列化的過程，示例代碼如下，用戶只要繼承一個類，然后制定消息對應的類，系統能夠自動完成消息的反序列化，你在process方法中拿到的就是已經反序列化好的對象，對用戶非常方便。

其次我們來說說資源控制，這個是保證平臺穩定性的基礎，我們知道Storm其實在資源隔離方面做得并不是太好，所以我們需要對用戶的Storm作業的并發做一些控制。我們的做法還是封裝Storm的接口，將原來設定topology和executor并發的方法去掉，而把這些設置挪到Portal中。下面是示例的代碼：

另外，我們前面已經提到過了，我們做了一個統一的Portal方便用戶管理，用戶可以查看Topic相關信息，也可以用來管理自己的Storm作業，配置，啟動，Rebalance，監控等一系列功能都能夠在上面完成。

在完成了這些功能之后，我們就開始初期業務的接入了，初期業務我們只接了兩個數據源，這兩個數據源的流量都比較大，就是一個是UBT(攜程的用戶行為數據)，另一個是Pprobe的數據(應用流量日志)，那基本上是攜程用行為的訪問日志。主要應用集中在實時的數據分析和數據報表上。

在平臺搭建的初期階段，我們有一些經驗和大家分享一下：

• 最重要的設計和規劃都需要提前做好，因為如果越晚調整的話其實付出的成本會越大的;

• 集中力量實現了核心功能;

• 盡早的接入業務，在核心功能完成并且穩定下來的前提下，越早接入業務越好，一個系統只有真正被使用起來，才能不斷進化;

• 接入的業務一定要有一定的量，因為我們最開始接入就是整個攜程的整個UBT，就是用戶行為的這個數據，這樣才能比較快的幫助整個平臺穩定下來。因為你平臺剛剛建設起來肯定是有各種各樣的問題的，就是通過大流量的驗證之后，一個是幫平臺穩定下來，修復各種各樣的bug，第二個是說會幫我們積累技術上和運維上的經驗。

在這個之后我們就做了一系列工作來完善這個平臺的“外圍設施”：

首先就是把Storm的日志導入到ES里面，通過Kanban展示出來;原生的Storm日志查看起來不方便，也沒有搜索的功能，數據導入ES后可以通過圖標的形式展現出來，也有全文搜索的功能，排錯時非常方便。

其次就是metrics相關的一些完善;除了Storm本身Build in的metrics之外我們還增加了一些通用的埋點，如從消息到達Kafka到它開始被消費所花的時間等;另外我們還是實現了自定義的MetricsConsumer，它會把所有的metrics信息實時地寫到攜程自己研發的看板系統Dashboard和Graphite中，在Graphite中的信息會被用作告警。

第三就是我們建立了完善的告警系統，告警基于輸出到Graphite的metrics數據，用戶可以配置自己的告警規則并設置告警的優先級，對于高優先級的告警，系統會使用TTS的功能自動撥打聯系人的電話，低優先級的告警則是發送郵件；默認情況下，我們會幫用戶添加Failed數量和消費堵塞的默認的告警。

第四，我們提供了適配攜程Message Queue的通用的Spout和寫入Redis，HBbase，DB的通用的Bolt，簡化用戶的開發工作。

***我們在依賴管理上也想了一些方法，方便API的升級;在muise-core(我們封裝的Storm API項目)的2.0版本，我們重新整理了相關的API接口，之后的版本盡量保證接口向下兼容，然后推動所有業務都升級一遍，之后我們把muise-core的jar包作為標準的Jar包之一放到每臺supervisor的storm安裝目錄的lib文件夾下，在之后的升級中，如果是強制升級，就聯系用戶，逐個重啟Topology，如果這次升級不需要強制推廣，等到用戶下次重啟Topology時，這個升級就會生效。

在做完這些工作之后，我們就開始大規模的業務接入了，其實目前基本上覆蓋了攜程的所有的技術團隊，應用的類型也比初期要豐富很多。

下面給大家簡單介紹一下，在攜程的一些實時應用;

主要分為下面四類：

• 實時數據報表;

• 實時的業務監控;

• 基于用戶實時行為的營銷;

• 風控和安全的應用。

***個展示的是攜程這邊的網站數據監控平臺cDataPortal，攜程會對每個網頁訪問的性能做一些很詳細的監控，然后會通過各種圖表展示出來。

第二個應用是攜程在AB Testing的應用，其實大家知道AB Testing只有在經過比較長的一段時間，才能得到結果，需要達到一定的量之后才會在統計上有顯著性;那它哪里需要實時計算呢?實時計算主要在這邊起到一個監控和告警的作用：當AB Testing上線之后，用戶需要一系列的實時指標來觀察分流的效果，來確定它配置是否正確;另外需要查看對于訂單的影響，如果對訂單產生了較大的影響，需要能夠及時發現和停止。

第三個應用是和個性化推薦相關，推薦其實更多的是結合用戶的歷史偏好和實時偏好來給大家推薦一些場景。這邊實時偏好的收集其實就是通過這個實時平臺來做的。比較相似的應用有根據用戶實時的訪問行為推送一些比較感興趣的攻略，團隊游會根據用戶的實時訪問，然后給用戶推送一些優惠券之類的。

那些曾經踩過的坑

在說完了實時數據平臺在攜程的應用，讓我們簡單來聊聊這個過程中我們的一些經驗。

首先是技術上的，先講一下我們遇到的坑吧。

我們使用的Storm版本是0.9.4，我們遇到了兩個Storm本身的BUG，當然這兩個bug是比較偶發性的，大家可以看一下，如果遇到相應的問題的話，可以參考一下：

storm-763：Nimbus已經將worker分配到其他的節點，但是其他worker的netty客戶端不連接新的worker;

應急處理：Kill掉這個worker的進程或是重啟相關的作業。

storm-643：當failed list不為空時，并且一些offset已經超出了Range范圍，KafkaUtils會不斷重復地去取相關的message;

另外就是在用戶使用過程中的一些問題，比如說如果可能，我們一般會推薦用戶使用localOrShuffleGrouping，在使用它時，上下游的Bolt數要匹配，否則會出現下游的大多數Bolt沒有收到數據的情況，另外就是用戶要保證Bolt中的成員變量都要是可序列化的，否則在集群上運行時就會報錯。

然后就是關于支持和團隊的經驗，首先在大量接入前其告警和監控設施是必須的，這兩個系統是大量接入的前提，否則難以在遇到非常問題時及時發現或是快速定位解決。

第二就是說清晰的說明、指南和Q&A能夠節約很多支持的時間。用戶在開發之前，你只要提供這個文檔給他看，然后有問題再來咨詢。

第三就是要把握一個接入節奏，因為我們整個平臺的開發人員比較少，也就三個到四個同學，雖然已經全員客服了去應對各個BU的各種各樣的問題，但是如果同時接入太多項目的話還會忙不過來;另外支持還有重要的一點就是“授人以漁”，在支持的時候給他們講得很細吧，讓他們了解Kafka和Storm的基本知識，這樣的話有一些簡單問題他們可以內部消化，不用所有的問題都來找你的團隊支持。

新的探索

前面講的是我們基本上去年的工作，今年我們在兩個方向上做了一些新的嘗試：Streaming CQL和JStorm，和大家分享下這兩個方面的進展：

Streaming CQL是華為開元的一個實時流處理的SQL引擎，它的原理就是把SQL直接轉化成為Storm的Topology，然后提交到Storm集群中。它的語法和標準的SQL很接近，只是增加了一些窗口函數來應對實時處理的場景。

下面我通過一個簡單的例子給大家展示一個簡單的例子，給大家有個直觀的感受。我的例子是

從kafka中讀取數據，類型為ubt_action;

取出其中的page，type，action，category等字段然后每五秒鐘按照page, type字段做一次聚合;

***把結果寫到console中。

如果需要用Storm實現的話，一般你需要實現4個類和一個main方法;使用Streaming CQL的話你只需要定義輸入的Stream和輸出的Stream，使用一句SQL就能實現業務邏輯，非常簡單和清晰。

那我們在華為開源的基礎上也做了一些工作：

• 增加Redis，Hbase，Hive(小表，加載內存)作為Data Source;

• 增加Hbase，MySQL / SQL Server，Redis作為數據輸出的Sink;

• 修正MultiInsert語句解析錯誤，并反饋到社區;

• 為where語句增加了In的功能;

• 支持從攜程的消息隊列Hermes中讀取數據。

Streaming CQL***的優勢就是能夠使不會寫Java的BI的同事，非常方便地實現一些邏輯簡單的實時報表和應用，比如下面說到的一個度假的例子基本上70行左右就完成了，原來開發和測試的時間要一周左右，現在一天就可以完整，提高了他們的開發效率。

【案例】

度假BU需要實時地統計每個用戶訪問“自由行”、“跟團游”、“半自助游”產品的占比，進一步豐富用戶畫像的數據：

• 數據流：UBT的數據;

• Data Source：使用Hive中的product的維度表;

• 輸出：Hbase。

今年我們嘗試的第二個方向就是Jstorm，Storm的內核使用Clojure編寫，這給后續深入的研究和維護帶來了一定的困難，而Jstorm是阿里開源的項目，它完全兼容storm的編程模型，內核全部使用Java來編寫，這就方便了后續的研究和深入地調研;阿里的Jstorm團隊非常Open，也非常專業化，我們一起合作解決了一些在使用上遇到的問題;除了內核使用Java編寫這個優勢之外，Jstorm對比storm在性能上也有一定的優勢，此外它還提供了資源隔離和類似于Heron之類的反壓力機制，所以能夠更好的處理消息擁塞的這種情況。

我們現在基本上已經把三分之一的storm應用已經遷到Jstorm上了，我們使用的版本是2.1;在使用過程中有一些經驗跟大家分享一下：

***點是我們在與kafka集成中遇到的一些問題，這些在新版本中已經修復了：

在Jstorm中，Spout的實現有兩種不同的方式：Multi Thread(nextTuple，ack & fail方法在不同的進程中調用)和Single Thread，原生的Storm的Kafka Spout需要使用Single Thread的方式運行;

修復了Single Thread模式的1個問題(新版本已經修復)。

第二點是Jstorm的metrics機制和storm的機制完全不兼容，所以相關的代碼都需要重寫，主要包括適配了Kafka Spout和我們Storm的API中的Metrics和使用MetricsUploader的功能實現了數據寫入Dashboard和Graphite的功能這兩點，此外我們結合了兩者的API提供了一個統一的接口，能兼容兩個環境，方便用戶記錄自定義的metrics。

以上就是我要分享的內容，在結尾處，我簡單總結一下我們的整體架構：

底層是消息隊列和實時處理系統的開源框架，也包括攜程的一些監控和運維的工具，第二層就是API和服務，而最上面通過Portal的形式講所有的功能提供給用戶。

到此，相信大家對“基于Storm的怎么實現大數據平臺”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！