【Samza系列】实时计算Samza中文教程（四）

【Samza系列】实时计算Samza中文教程（四）—API概述

上一篇和大家一起宏观上学习了Samza平台的架构，重点讲了一下数据缓冲层和资源管理层。剩下的一块非常重要的SamzaAPI层本节作为重点为大家展开介绍。

当你使用Samza来实现一个数据流处理逻辑时。你必须实现一个叫StreamTask的接口，例如以下所看到的：

public class MyTaskClass implements StreamTask {

  public void process(IncomingMessageEnvelope envelope,
                      MessageCollector collector,
                      TaskCoordinator coordinator) {
    // process message
  }
}

当你执行你的job时，Samza将为你的class创建一些实例（可能在多台机器上）。这些任务实例会处理输入流里的消息。

在你的job的配置中你能告诉Samza你想消费哪条数据流。

举一个较为完整的样例（大家也能够參看http://samza.incubator.apache.org/learn/documentation/0.7.0/jobs/configuration.html

）：

# This is the class above, which Samza will instantiate when the job is run
task.class=com.example.samza.MyTaskClass

# Define a system called "kafka" (you can give it any name, and you can define
# multiple systems if you want to process messages from different sources)
systems.kafka.samza.factory=org.apache.samza.system.kafka.KafkaSystemFactory

# The job consumes a topic called "PageViewEvent" from the "kafka" system
task.inputs=kafka.PageViewEvent

# Define a serializer/deserializer called "json" which parses JSON messages
serializers.registry.json.class=org.apache.samza.serializers.JsonSerdeFactory

# Use the "json" serializer for messages in the "PageViewEvent" topic
systems.kafka.streams.PageViewEvent.samza.msg.serde=json

对于Samza从任务的输入流利接收的每一条消息，处理逻辑都会被调用。它主要包括三个重要的信息：消息、关键词key以及消息来自的数据流：

/** Every message that is delivered to a StreamTask is wrapped
 * in an IncomingMessageEnvelope, which contains metadata about
 * the origin of the message. */
public class IncomingMessageEnvelope {
  /** A deserialized message. */
  Object getMessage() { ... }

  /** A deserialized key. */
  Object getKey() { ... }

  /** The stream and partition that this message came from. */
  SystemStreamPartition getSystemStreamPartition() { ... }
}

注意键和值都要被声明为对象，而且须要转化为正确的类型。假设你不配置一个serializer/deserializer。它们就会成为典型的java字节数组。一个deserializer可以转化这些字节到其它随意类型，举个样例来说j一个son deserializer可以将字节数组转化为Map、List以及字符串对象。

SystemStreamPartition()这种方法会返回一个SystemStreamPartition对象，它会告诉你消息是从哪里来的。它由下面三部分组成：

1. The system：系统的名字来源于消息。就在你job的配置里定义。你能够有多个用于输入和输出的不同名字的系统；

2. The stream name：在原系统里数据流（话题、队列）的名字。相同也是在job的配置里定义；

3. The partition：一条数据流一般会被划分到多个分区。而且每个分区会被Samza安排一个StreamTask实例；

API看起来像是这种：

/** A triple of system name, stream name and partition. */
public class SystemStreamPartition extends SystemStream {

  /** The name of the system which provides this stream. It is
      defined in the Samza job's configuration. */
  public String getSystem() { ... }

  /** The name of the stream/topic/queue within the system. */
  public String getStream() { ... }

  /** The partition within the stream. */
  public Partition getPartition() { ... }
}

在上面这个job的配置样例里可以看到。这个系统名字叫“Kafka”。数据流的名字叫“PageViewEvent”。（kafka这个名字不是特定的——你能给你的系统取不论什么你想要的名字）。

假设你有一些输入流向导入你的StreamTask，你可以使用SystemStreamPartition去决定你接受到哪一类消息。

怎样发送消息呢？假设你看一下StreamTask里的process()方法，你将看到你有一个MessageCollector接口。

/** When a task wishes to send a message, it uses this interface. */
public interface MessageCollector {
  void send(OutgoingMessageEnvelope envelope);
}

为了发送一个消息，你会创建一个OutgoingMessageEnvelop对象而且把它传递给消息收集器。它至少会确定你想要发送的消息、系统以及数据流名字再发送出去。你也能够确定分区的key和还有一些參数。详细能够參考javadoc（http://samza.incubator.apache.org/learn/documentation/0.7.0/api/javadocs/org/apache/samza/system/OutgoingMessageEnvelope.html）。

注意事项：

请仅仅在process()方法里使用MessageCollector对象。

假设你保持住一个MessageCollector实例而且之后再次使用它，你的消息可能会错误地发送出去。举一个样例，这儿有一个简单的任务，它把每个输入的消息拆成单词，而且发送每个单词作为一个消息：

public class SplitStringIntoWords implements StreamTask {

  // Send outgoing messages to a stream called "words"
  // in the "kafka" system.
  private final SystemStream OUTPUT_STREAM =
    new SystemStream("kafka", "words");

  public void process(IncomingMessageEnvelope envelope,
                      MessageCollector collector,
                      TaskCoordinator coordinator) {
    String message = (String) envelope.getMessage();

    for (String word : message.split(" ")) {
      // Use the word as the key, and 1 as the value.
      // A second task can add the 1's to get the word count.
      collector.send(new OutgoingMessageEnvelope(OUTPUT_STREAM, word, 1));
    }
  }
}

Samza的API的概要介绍就到这里吧，非常多细节的API能够參看javadoc文档，这也是官网下一节的内容，因为篇幅有限，大家能够自己针对性的去深入了解了解就能够了。下一篇会讲一下之前在架构篇里多次提到的SamzaContainer。