Apache Storm with Python

环境:


  • 系统:centos7
    ps: 请确认kafkazookeeperstorm部署完成(本文基于Apache ambari搭建的一个集群,进行测试)

  • 安装包:

    1. $ yum install -y gcc python-devel java cyrus-sasl-devel cyrus-sasl-gssapi cyrus-sasl-md5 cyrus-sasl-plain librdkafka-devel redis
    2. Install lein
      $ wget https://raw.githubusercontent.com/technomancy/leiningen/stable/bin/lein
      $ mv lein /usr/bin/
      $ chmod a+x /usr/bin/lein
      $ wget https://github.com/technomancy/leiningen/releases/download/2.8.1/leiningen-2.8.1-standalone.zip
      $ mv leiningen-2.8.1-standalone.zip /root/.lein/self-installs/leiningen-2.8.1-standalone.jar
      $ export LEIN_ROOT = 1
      $ lein version # test lein version
      image.png
  • Create virtualenv
    $ pip install streamparse confluent-kafka redis kazoo

整体架构


image.png

Start demo


  • get kafka brokers

    1. find zookeeper cluster(through Ambari)


      image.png
    2. get brokers
    from kazoo.client import KazooClient
    import json
    
    
    def get_kafka_brokers(host):
        zookeeper = KazooClient(hosts=host, read_only=True)
        zookeeper.start()
        for node in zookeeper.get_children('/brokers/ids'):
            data, stats = zookeeper.get('/brokers/ids/'+node)
            props = json.loads(data)
            yield props['host']+':'+str(props['port'])
        zookeeper.stop()
    
    
    if __name__ == "__main__":
        print ','.join(get_kafka_brokers("cluster1.dc.com, cluster2.dc.com"))
    
    

    输出: cluster2.dc.com:6667
    通过Ambari 确认kafka集群,如图

    image.png

  • producer往brokers生产数据(用了confluent-kafka)

    # -*- coding:utf-8 -*-
    import confluent_kafka
    import random, time
    import json
    from get_broker_list import get_kafka_brokers
    
    
    def error_cb(err):
        print('Error: %s' % err)
    
    
    def main():
        # bootstrap_servers = 'cluster2.dc.com:6667'
        zk_host = 'cluster1.dc.com,cluster2.dc.com'
        bootstrap_servers = ','.join(get_kafka_brokers(zk_host))
        api_version_request = True
        conf = {'bootstrap.servers': bootstrap_servers,
                'api.version.request': api_version_request,
                'error_cb': error_cb,
                'debug': 'protocol',
                'broker.address.family': 'v4'}
        producer = confluent_kafka.Producer(**conf)
        user_list = ['jason', 'jane', 'tom', 'jack']
        while True:
            data = {"user": random.choice(user_list),
                    "timestamp": time.time(),
                    "log_level": random.randint(0, 5)
                   }
            try:
                producer.produce('test', value=json.dumps(data))
                # time.sleep(random.randint(1, 2))
            except BufferError:
                producer.poll(100)
            continue
        producer.flush()
    
    
    if __name__ == '__main__':
        main()
    

    部分结果如图

    image.png

  • 创建一个consumer进行验证:

    #!/usr/bin/env python
    import time
    import json
    from confluent_kafka import Consumer, KafkaException, KafkaError
    from get_broker_list import get_kafka_brokers
    
    
    def main():
        # broker = 'cluster2.dc.com:6667'
        zk_host = 'cluster1.dc.com,cluster2.dc.com'
        bootstrap_servers = ','.join(get_kafka_brokers(zk_host))
        group = 'test.py'
        conf = {'bootstrap.servers': bootstrap_servers, 'group.id': group, 'session.timeout.ms': 6000,
                'default.topic.config': {'auto.offset.reset': 'smallest'}}
        consumer = Consumer(**conf)
        consumer.subscribe(['test'])
        while True:
            msg = consumer.poll()
            try:
                print json.loads(msg.value())
            except Exception:
                time.sleep(1)
            continue
        consumer.close()
    
    if __name__ == '__main__':
        main()
    

    部分结果如图

    image.png

  • integrate with Storm(use package streamparse

    上面kafka producer产生了一条用户记录,storm demo以计算5分钟内产生了多少条记录(实际效果producer >> consumer,所以导致延迟问题,测试数据大概5分钟写入150w-180w条,资源限制导致的性能问题,仅供参考)

  1. sparse quickstart onlineuser

项目结构如下:
image.png

其中topologies,bolts,以及spouts中的文件名可能是wordcount相关命名,修改或不修改均可,只需要确认topologies文件中的topology能与spouts中的spout,bolts中的bolt对应起来即可

  1. vim spout/user.py

    import sys, os
    # sys.path.append(os.path.dirname(os.path.abspath(__file__)) + '/../../../kafka_example')
    abspath = "" # must fill with abs path, cannot use os.path.abspath, run as jar in /tmp directory
    if not abspath:
        raise Exception("setting kafka_exmaple directory abspath to import get_broker_list")
    sys.path.append(abspath)
    from confluent_kafka import Consumer
    from streamparse import Spout
    from get_broker_list import get_kafka_brokers
    
    
    class OnlineUserSpout(Spout):
        outputs = ['log']
    
        def initialize(self, stormconf, context):
            # broker = 'cluster2.dc.com:6667'
            zk_host = 'cluster1.dc.com,cluster2.dc.com'
            broker = ','.join(get_kafka_brokers(zk_host))
            group = 'test.py'
            conf = {'bootstrap.servers': broker, 'group.id': group, 'session.timeout.ms': 6000,
                    'default.topic.config': {'auto.offset.reset': 'smallest'}}
            self.consumer = Consumer(**conf)
    
    
        def activate(self):
            self.consumer.subscribe(['test'])
    
        def next_tuple(self):
            msg = self.consumer.poll()
            if msg.value():
                self.emit([msg.value()])
    
        def deactivate(self):
            self.consumer.close()
    
    
  2. vim bolts/serializer_log.py这部分没有考虑用户重复问题

    import json
    import time
    from datetime import datetime, timedelta
    from redis import StrictRedis
    from streamparse import Bolt
    
    
    class RedisLog(Bolt):
    
    
        def initialize(self, conf, ctx):
            self.redis = StrictRedis()
            self.interval_minute = 5
    
        def _increment(self, duration):
            return self.redis.incr(duration)
    
    
        def process(self, tup):
            data = json.loads(tup.values[0])
            user = data['user'] # useless
            timestamp = data["timestamp"]
            now = datetime.fromtimestamp(int(timestamp))
            now = now - timedelta(minutes=now.minute % self.interval_minute,
                              seconds=now.second, microseconds=now.microsecond)
            now_timestamp = int(time.mktime(now.timetuple()))
            duration = '{0}-{1}'.format(now_timestamp, now_timestamp + self.interval_minute * 60)
            count = self._increment(duration)
            self.emit([duration, count])
    
    
  3. vim topologies/onlineuser.py

    """
    Online User topology
    """
    from streamparse import Topology
    from bolts.serializer_log import RedisLog
    from spouts.user import OnlineUserSpout
    
    
    class OnlineUserCount(Topology):
        log_spout = OnlineUserSpout.spec()
        count_bolt = RedisLog.spec(inputs=[log_spout])
    
    
  4. $ sparse run # 必须在sparse quickstart 项目路径下(耗时较久,需要build成jar到/tmp下执行)
    部分结果如图(可能有一些warn,这是由于zookeeper日记文件相关写入延迟,会影响storm性能,测试先忽略)

    image.png

  5. 可以通过redis检测key value(key是以时间戳区间,整形,格式 'timestamp1-timestamp2')

    import time
    from redis import StrictRedis
    redis = StrictRedis()
    while 1:
        keys = redis.keys()
        vals = redis.mget(keys)
        kv = zip(keys, vals)
        print kv
        time.sleep(10)
    

    result:大致如图


    image.png
  6. 可能出现的一些问题解决办法:

    • 运行sparse run 时,爆storm版本不一致问题,修改project.clj,由于可能storm也是通过ambari进行安装,输出版本的格式不一致(Hortonworks data platform 版本号,类似‘1.1.0.2.6.2.0-205’,这时候需要去vim xxx/xxx/site-packages/streamparse/cli/run.py 大概48,49修改一下判断or去掉检测)


      image.png
    • 运行sparse run时,可能出现NoClassDefFoundError: org/apache/commons/lang/StringUtils.
      解决的办法
      wget https://www.apache.org/dist/commons/lang/binaries/commons-lang-2.6-bin.zip.md5
      unzip commons-lang-2.6-bin.zip
      cd commons-lang-2.6-bin.zip && mv commons-lang.jar storm/lib
      

Ending


整个过程中,可能还会出现一些issue,可以到对应的项目去查看文档。
Finally,本文原创,未经许可,谢绝转载。=_=!

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,100评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,862评论 2 378
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,993评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,309评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,303评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,421评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,830评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,501评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,689评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,506评论 2 318
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,564评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,286评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,826评论 3 305
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,875评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,114评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,705评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,269评论 2 341

推荐阅读更多精彩内容