jstorm集成kafka

本人是spark的拥趸，因为工作中需要用到jstorm，作记录如下。

pom.xml

<dependencies>

        <dependency>
            <groupId>com.alibaba.jstorm</groupId>
            <artifactId>jstorm-core</artifactId>
            <version>2.1.1</version>
            <scope>provided</scope>
            <exclusions>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-nop</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>slf4j-jdk14</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>org.slf4j</groupId>
                    <artifactId>jcl-over-slf4j</artifactId>
                </exclusion>
            </exclusions>
        </dependency>


        <dependency>
            <groupId>org.apache.storm</groupId>
            <artifactId>storm-kafka</artifactId>
            <version>0.9.6</version>
        </dependency>
        <dependency>
            <groupId>org.apache.kafka</groupId>
            <artifactId>kafka_2.11</artifactId>
            <version>0.9.0.1</version>
            <exclusions>
                <exclusion>
                    <groupId>org.apache.zookeeper</groupId>
                    <artifactId>zookeeper</artifactId>
                </exclusion>
                <exclusion>
                    <groupId>log4j</groupId>
                    <artifactId>log4j</artifactId>
                </exclusion>
            </exclusions>
        </dependency>

        <dependency>
            <groupId>mysql</groupId>
            <artifactId>mysql-connector-java</artifactId>
            <version>5.1.6</version>
        </dependency>

        <dependency>
            <groupId>commons-dbcp</groupId>
            <artifactId>commons-dbcp</artifactId>
            <version>1.4</version>
        </dependency>

        <dependency>
            <groupId>redis.clients</groupId>
            <artifactId>jedis</artifactId>
            <version>2.6.3</version>
        </dependency>

        <dependency>
            <groupId>javax.mail</groupId>
            <artifactId>mail</artifactId>
            <version>1.4.7</version>
        </dependency>

    </dependencies>
    <build>
        <plugins>
            <plugin>
                <artifactId>maven-compiler-plugin</artifactId>
                <version>3.1</version>
                <configuration>
                    <source>1.7</source>
                    <target>1.7</target>
                    <encoding>utf8</encoding>
                </configuration>
            </plugin>
        </plugins>
    </build>

没什么好说的，无非都是常规的东西。需要注意的是做好kafka的offset的维护。

其它需要注意的两点，异常消息的处理和限流。

异常消息的处理其实就是ack/fail的问题。使用BaseBasicBolt的话，它会自动帮你实现ack与fail。但需要手动抛出FailException。这样的话，一旦出现异常，整个topology就退出集群了，这是不可接受的。

无奈只有使用IRichBolt,手动去捕获异常。这样如果异常不是数据结构的问题，只是下游比如获取其它数据连接问题比如邮件服务器问题，那么失败了不去更新offset，下次启动的时候还能继续消费。也无需去手动重发。

如果需要重发的话，storm只能自己实现，jstorm可以通过以下方式：

public interface IFailValueSpout { void fail(Object msgId, List<object>values); }

想要实现ack/fail必须满足以下三点：

1. 在spout emit tuple的时候，要加上第3个参数messageid 
2. 在配置中acker数目至少为1 
3. 在bolt emit的时候，要加上第二个参数anchor tuple，以保持tracker链路

第1点，由于使用的是KafkaSpout，已经实现了。

第2点：

config.setNumAckers(1);

第3点：

collector.emit(input,new Values(map));

限流的问题，主要是考虑到可能会有的这么一种场景。如果jstorm集群意外退出，或者升级出现情况，导致长时间无法重启。而这时候kafka集群生产端消息源源不断在产生新的消息。当重启jstorm集群的时候，势必会导致消息大量涌入jstorm集群。

还有一种场景就是，消息量不稳定，时大时小，那么非常有必须设置这个参数进行限流。

那么这时候需要对消息进行限流。在spark streaming中可以对kafka每个分区每秒的消息数进行限制;考虑到如果直接写死一个值，在低谷期间会造成资源的浪费，可以通过资源实现情况来限流。

而jstorm则通过topology.max.spout.pending来设置。它表示jstorm集群中可能缓存也就是待消费的消息数。如果大于这个数，新的消息就不会进来。

如果需要在jstorm里面连接mysql或者redis，必须要在prepare里面初始化连接或者连接池。prepare执行次数与 parallelism_hint相关。

也可以通过storm-jdbc。