最近一直在讀twitter開源的這個分布式流計算架構——storm的源碼，還是有必要記錄下一些比較有意思的地方。我按照storm的主要概念進行組織，并且隻分析我關注的東西，是以稱之為淺析。
一、介紹
storm的開發語言主要是java和clojure，其中java定義骨架，而clojure編寫核心邏輯。源碼統計結果：
<!–
code highlighting produced by actipro codehighlighter (freeware)
<a href="http://www.codehighlighter.com/" target="_blank">http://www.codehighlighter.com/</a>
–> 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 25661
lisp 33 732 283 4871
python 7 742 433 4675
css 1 12 45 1837
bourne shell 1 0 0 6
javascript 2 1 15 6
sum: 171 6519 3190 37160
java代碼25000多行，而clojure(lisp)隻有4871行，說語言不重要再次證明是扯淡。
二、topology和nimbus
topology是storm的核心理念，将spout和bolt組織成一個topology，運作在storm叢集裡，完成實時分析和計算的任務。這裡我主要想介紹下topology部署到storm叢集的大概過程。送出一個topology任務到storm叢集是通過stormsubmitter.submittopology方法送出：
–>stormsubmitter.submittopology(name, conf, builder.createtopology());
我們将topology打成jar包後，利用bin/storm這個python腳本，執行如下指令：
–>bin/storm jar xxxx.jar com.taobao.mytopology args
将jar包送出給storm叢集。storm腳本會啟動jvm執行topology的main方法，執行submittopology的過程。而submittopology會将jar檔案上傳到nimbus，上傳是通過socket傳輸。在storm這個python腳本的jar方法裡可以看到：
–>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 + “;“)
将jar檔案的位址設定為環境變量storm_jar，這個環境變量在執行submittopology的時候用到：
–>//stormsubmitter.java
private static void submitjar(map conf) {
if(submittedjar==null) {
string localjar = system.getenv(“storm_jar“);
submittedjar = submitjar(conf, localjar);
} else {
log.info(“jar already uploaded to master. not submitting jar.“);
}
}
通過環境變量找到jar包的位址，然後上傳。利用環境變量傳參是個小技巧。
其次，nimbus在接收到jar檔案後，存放到資料目錄的inbox目錄，nimbus資料目錄的結構：
–>-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用于存放送出的jar檔案，每個jar檔案都重命名為stormjar加上一個32位的uuid。而stormdist存放的是啟動topology後生成的檔案，每個topology都配置設定一個唯一的id，id的規則是“name-計數-時間戳”。啟動後的topology的jar檔案名命名為storm.jar ,而它的配置經過java序列化後存放在stormconf.ser檔案，而stormcode.ser是将topology本身序列化後存放的檔案。這些檔案在部署的時候，supervisor會從這個目錄下載下傳這些檔案，然後在supervisor本地執行這些代碼。
進入重點，topology任務的配置設定過程(zookeeper路徑說明忽略root):
1.在zookeeper上建立/taskheartbeats/{storm id} 路徑，用于任務的心跳檢測。storm對zookeeper的一個重要應用就是利用zk的臨時節點做存活檢測。task将定時重新整理節點的時間戳，然後nimbus會檢測這個時間戳是否超過timeout設定。
2.從topology中擷取bolts,spouts設定的并行數目以及全局配置的最大并行數，然後産生task id清單，如[1 2 3 4]
3.在zookeeper上建立/tasks/{strom id}/{task id}路徑，并存儲task資訊
4.開始配置設定任務（内部稱為assignment)， 具體步驟：
(1)從zk上獲得已有的assignment(新的toplogy當然沒有了）
(2)查找所有可用的slot，所謂slot就是可用的worker，在所有supervisor上配置的多個worker的端口。
(3)将任務均勻地配置設定給可用的worker，這裡有兩種情況：
(a)task數目比worker多，例如task是[1 2 3 4],可用的slot隻有[host1:port1 host2:port1]，那麼最終是這樣配置設定
–>{1: [host1:port1] 2 : [host2:port1]
3 : [host1:port1] 4 : [host2:port1]}
，可以看到任務平均地配置設定在兩個worker上。
(b)如果task數目比worker少，例如task是[1 2]，而worker有[host1:port1 host1:port2 host2:port1 host2:port2]，那麼首先會将woker排序，*将不同host間隔排列，保證task不會全部配置設定到同一個worker上，也就是将worker排列成
–>[host1:port1 host2:port1 host1:port2 host2:port2]
，然後配置設定任務為
–>{1: host1:port1 , 2 : host2:port2}
(4)記錄啟動時間
(5)判斷現有的assignment是否跟重新配置設定的assignment相同，如果相同，不需要變更，否則更新assignment到zookeeper的/assignments/{storm id}上。
5.啟動topology，所謂啟動，隻是将zookeeper上/storms/{storm id}對應的資料裡的active設定為true。
6.nimbus會檢查task的心跳，如果發現task心跳超過逾時時間，那麼會重新跳到第4步做re-assignment。
本文來源于"阿裡中間件團隊播客",原文發表時間" 2011-12-02 "