使用E-MapReduce提交Storm作业处理Kafka数据

本文演示如何在E-MapReduce上部署Storm集群和Kafka集群，并运行Storm作业消费Kafka数据。

环境准备

本文选择在杭州Region进行测试，版本选择EMR-3.8.0，本次测试需要的组件版本有：

• Kafka：2.11_1.0.0
• Storm: 1.0.1

本文使用阿里云EMR服务自动化搭建Kafka集群，详细过程请参考创建集群。

• 创建Hadoop集群
  
  

• 创建Kafka集群
  
  
  说明

  • 如果使用经典网络，请注意将Hadoop集群和Kafka集群放置在同一个安全组下面，这样可以省去配置安全组，避免网络不通的问题。
  • 如果使用VPC网络，请注意将Hadoop集群和Kafka集群放置在同一个VPC/VSwitch以及安全组下面，这样同样省去配置网路和安全组，避免网络不通。
  • 如果你熟悉ECS的网络和安全组，可以按需配置。

• 配置Storm环境
  如果我们想在Storm上运行作业消费Kafka的话，集群初始环境下是会失败的，因为Storm运行环境缺少了不少必须的依赖包，如下：

  • curator-client
  • curator-framework
  • curator-recipes
  • json-simple
  • metrics-core
  • scala-library
  • zookeeper
  • commons-cli
  • commons-collections
  • commons-configuration
  • htrace-core
  • jcl-over-slf4j
  • protobuf-java

以上版本依赖包经过测试可用，如果你再测试过程中引入了其他依赖，也一同添加在Storm lib中，具体操作如下：

上述操作需要在Kafka集群的每台机器执行一遍。执行完在E-MapReduce控制台重启Storm服务，如下：

查看操作历史，待Storm重启完毕：

开发Storm和Kafka作业

E-MapReduce已经提供了现成的示例代码，直接使用即可，地址如下：
e-mapreduce-demo
e-mapreduce-sdk
Topic数据准备
登录到Kafka集群
创建一个test topic，分区数10，副本数2

/usr/lib/kafka-current/bin/kafka-topics.sh --partitions 10 --replication-factor 2 --zookeeper emr-header-1:/kafka-1.0.0 --topic test --create

向test topic写入100条数据

/usr/lib/kafka-current/bin/kafka-producer-perf-test.sh --num-records 100 --throughput 10000 --record-size 1024 --producer-props bootstrap.servers=emr-worker-1:9092 --topic test

说明 以上命令在kafka集群的emr-header-1节点执行，当然也可以客户端机器上执行。
运行Storm作业
登录到Hadoop集群，将第二步中编译得到的
examples-1.1-shaded.jar拷贝到集群emr-header-1上，这里我放在root根目录下面。提交作业：

/usr/lib/storm-current/bin/storm jar examples-1.1-shaded.jar com.aliyun.emr.example.storm.StormKafkaSample test aaa.bbb.ccc.ddd hdfs://emr-header-1:9000 sample

• 
  
• 查看Storm运行状态
  查看集群上服务的WebUI有2种方式:
  • 通过Knox方式，参考文档Knox 使用说明
  • SSH隧道，参考文档SSH 登录集群

  本文选择使用SSH隧道方式，访问地址：
  http://localhost:9999/index.html 。可以看到我们刚刚提交的Topology。点进去可以看到执行详情：
  

  • 查看HDFS输出
  • 查看HDFS文件输出

  [root@emr-header-1 ~]# hadoop fs -ls /foo/
  -rw-r--r--   3 root hadoop     615000 2018-02-11 13:37 /foo/bolt-2-0-1518327393692.txt
  -rw-r--r--   3 root hadoop     205000 2018-02-11 13:37 /foo/bolt-2-0-1518327441777.txt
  [root@emr-header-1 ~]# hadoop fs -cat /foo/bolt-2-0-1518327441777.txt | wc -l
  200

  向kafka写120条数

  [root@emr-header-1 ~]# /usr/lib/kafka-current/bin/kafka-producer-perf-test.sh --num-records 120 --throughput 10000 --record-size 1024 --producer-props bootstrap.servers=emr-worker-1:9092 --topic test
  120 records sent, 816.326531 records/sec (0.80 MB/sec), 35.37 ms avg latency, 134.00 ms max latency, 35 ms 50th, 39 ms 95th, 41 ms 99th, 134 ms 99.9th

  查看HDFS文件输出

  [root@emr-header-1 ~]# hadoop fs -cat /foo/bolt-2-0-1518327441777.txt | wc -l
  320

  总结

  至此，我们成功实现了在E-MapReduce上部署一套Storm集群和一套Kafka集群，并运行Storm作业消费Kafka数据。当然，E-MapReduce也支持Spark Streaming和Flink组件，同样可以方便在Hadoop集群上运行，处理Kafka数据。
  
  说明
  由于E-MapReduce没有单独的Storm集群类别，所以我们是创建的Hadoop集群，并安装了Storm组件。如果你在使用过程中用不到其他组件，可以很方便地在E-MapReduce管理控制台将那些组件停掉。这样，可以将Hadoop集群作为一个纯粹的Storm集群使用。
  （本文作者为阿里云大数据产品文档工程师）