實時計算是什么？##
請看下面的圖：
我們以熱賣產品的統計為例，看下傳統的計算手段：
- 將用戶行為、log等信息清洗后保存在數據庫中.
- 將訂單信息保存在數據庫中.
- 利用觸發器或者協程等方式建立本地索引，或者遠程的獨立索引.
- join訂單信息、訂單明細、用戶信息、商品信息等等表，聚合統計20分鍾內熱賣產品，並返回top-10.
- web或app展示.
這是一個假想的場景，但假設你具有處理類似場景的經驗，應該會體會到這樣一些問題和難處：
-
水平擴展問題（scale-out）
顯然，如果是一個具有一定規模的電子商務網站，數據量都是很大的。而交易信息因為涉及事務，所以很難直接舍棄關系型數據庫的事務能力，遷移到具有更好的scale-out能力的NoSQL數據庫中。
那么，一般都會做sharding。歷史數據還好說，我們可以按日期來歸檔，並可以通過批處理式的離線計算，將結果緩存起來。
但是，這里的要求是20分鍾內，這很難。 -
性能問題
這個問題，和scale-out是一致的，假設我們做了sharding，因為表分散在各個節點中，所以我們需要多次入庫，並在業務層做聚合計算。
問題是，20分鍾的時間要求，我們需要入庫多少次呢？
10分鍾呢？
5分鍾呢？
實時呢？
而且，業務層也同樣面臨着單點計算能力的局限，需要水平擴展，那么還需要考慮一致性的問題。
所以，到這里一切都顯得很復雜。 -
業務擴展問題
假設我們不僅僅要處理熱賣商品的統計，還要統計廣告點擊、或者迅速根據用戶的訪問行為判斷用戶特征以調整其所見的信息，更加符合用戶的潛在需求等，那么業務層將會更加復雜。
也許你有更好的辦法，但實際上，我們需要的是一種新的認知：
這個世界發生的事，是實時的。
所以我們需要一種實時計算的模型，而不是批處理模型。
我們需要的這種模型，必須能夠處理很大的數據，所以要有很好的scale-out能力，最好是，我們都不需要考慮太多一致性、復制的問題。
那么，這種計算模型就是實時計算模型，也可以認為是流式計算模型。
現在假設我們有了這樣的模型，我們就可以愉快地設計新的業務場景：
- 轉發最多的微博是什么？
- 最熱賣的商品有哪些？
- 大家都在搜索的熱點是什么？
- 我們哪個廣告，在哪個位置，被點擊最多？
或者說，我們可以問：
這個世界，在發生什么？
最熱的微博話題是什么？##
我們以一個簡單的滑動窗口計數的問題，來揭開所謂實時計算的神秘面紗。
假設，我們的業務要求是：
統計20分鍾內最熱的10個微博話題。
解決這個問題，我們需要考慮：
- 數據源
這里，假設我們的數據，來自微博長連接推送的話題。 - 問題建模
我們認為的話題是#號擴起來的話題，最熱的話題是此話題出現的次數比其它話題都要多。
比如：@foreach_break : 你好,#世界#,我愛你，#微博#。
“世界”和“微博”就是話題。 - 計算引擎
我們采用storm。 - 定義時間
如何定義時間？##
時間的定義是一件很難的事情，取決於所需的精度是多少。
根據實際，我們一般采用tick來表示時刻這一概念。
在storm的基礎設施中，executor啟動階段，采用了定時器來觸發“過了一段時間”這個事件。
如下所示：
(defn setup-ticks! [worker executor-data]
(let [storm-conf (:storm-conf executor-data)
tick-time-secs (storm-conf TOPOLOGY-TICK-TUPLE-FREQ-SECS)
receive-queue (:receive-queue executor-data)
context (:worker-context executor-data)]
(when tick-time-secs
(if (or (system-id? (:component-id executor-data))
(and (= false (storm-conf TOPOLOGY-ENABLE-MESSAGE-TIMEOUTS))
(= :spout (:type executor-data))))
(log-message "Timeouts disabled for executor " (:component-id executor-data) ":" (:executor-id executor-data))
(schedule-recurring
(:user-timer worker)
tick-time-secs
tick-time-secs
(fn []
(disruptor/publish
receive-queue
[[nil (TupleImpl. context [tick-time-secs] Constants/SYSTEM_TASK_ID Constants/SYSTEM_TICK_STREAM_ID)]]
)))))))
之前的博文中，已經詳細分析了這些基礎設施的關系，不理解的童鞋可以翻看前面的文章。
每隔一段時間，就會觸發這樣一個事件，當流的下游的bolt收到一個這樣的事件時，就可以選擇是增量計數還是將結果聚合並發送到流中。
bolt如何判斷收到的tuple表示的是“tick”呢？
負責管理bolt的executor線程，從其訂閱的消息隊列消費消息時，會調用到bolt的execute方法，那么，可以在execute中這樣判斷：
public static boolean isTick(Tuple tuple) {
return tuple != null
&& Constants.SYSTEM_COMPONENT_ID .equals(tuple.getSourceComponent())
&& Constants.SYSTEM_TICK_STREAM_ID.equals(tuple.getSourceStreamId());
}
結合上面的setup-tick!的clojure代碼，我們可以知道SYSTEM_TICK_STREAM_ID在定時事件的回調中就以構造函數的參數傳遞給了tuple，那么SYSTEM_COMPONENT_ID是如何來的呢？
可以看到，下面的代碼中，SYSTEM_TASK_ID同樣傳給了tuple：
;; 請注意SYSTEM_TASK_ID和SYSTEM_TICK_STREAM_ID
(TupleImpl. context [tick-time-secs] Constants/SYSTEM_TASK_ID Constants/SYSTEM_TICK_STREAM_ID)
然后利用下面的代碼，就可以得到SYSTEM_COMPONENT_ID：
public String getComponentId(int taskId) {
if(taskId==Constants.SYSTEM_TASK_ID) {
return Constants.SYSTEM_COMPONENT_ID;
} else {
return _taskToComponent.get(taskId);
}
}
滑動窗口##
有了上面的基礎設施，我們還需要一些手段來完成“工程化”，將設想變為現實。
這里，我們看看Michael G. Noll的滑動窗口設計。
注：圖片來自http://www.michael-noll.com/blog/2013/01/18/implementing-real-time-trending-topics-in-storm/
Topology###
String spoutId = "wordGenerator";
String counterId = "counter";
String intermediateRankerId = "intermediateRanker";
String totalRankerId = "finalRanker";
// 這里，假設TestWordSpout就是我們發送話題tuple的源
builder.setSpout(spoutId, new TestWordSpout(), 5);
// RollingCountBolt的時間窗口為9秒鍾，每3秒發送一次統計結果到下游
builder.setBolt(counterId, new RollingCountBolt(9, 3), 4).fieldsGrouping(spoutId, new Fields("word"));
// IntermediateRankingsBolt，將完成部分聚合，統計出top-n的話題
builder.setBolt(intermediateRankerId, new IntermediateRankingsBolt(TOP_N), 4).fieldsGrouping(counterId, new Fields(
"obj"));
// TotalRankingsBolt， 將完成完整聚合，統計出top-n的話題
builder.setBolt(totalRankerId, new TotalRankingsBolt(TOP_N)).globalGrouping(intermediateRankerId);
上面的topology設計如下：
注：圖片來自http://www.michael-noll.com/blog/2013/01/18/implementing-real-time-trending-topics-in-storm/
將聚合計算與時間結合起來###
前文，我們敘述了tick事件，回調中會觸發bolt的execute方法，那可以這么做：
RollingCountBolt:
@Override
public void execute(Tuple tuple) {
if (TupleUtils.isTick(tuple)) {
LOG.debug("Received tick tuple, triggering emit of current window counts");
// tick來了，將時間窗口內的統計結果發送，並讓窗口滾動
emitCurrentWindowCounts();
}
else {
// 常規tuple，對話題計數即可
countObjAndAck(tuple);
}
}
// obj即為話題，增加一個計數 count++
// 注意，這里的速度基本取決於流的速度，可能每秒百萬，也可能每秒幾十.
// 內存不足？ bolt可以scale-out.
private void countObjAndAck(Tuple tuple) {
Object obj = tuple.getValue(0);
counter.incrementCount(obj);
collector.ack(tuple);
}
// 將統計結果發送到下游
private void emitCurrentWindowCounts() {
Map<Object, Long> counts = counter.getCountsThenAdvanceWindow();
int actualWindowLengthInSeconds = lastModifiedTracker.secondsSinceOldestModification();
lastModifiedTracker.markAsModified();
if (actualWindowLengthInSeconds != windowLengthInSeconds) {
LOG.warn(String.format(WINDOW_LENGTH_WARNING_TEMPLATE, actualWindowLengthInSeconds, windowLengthInSeconds));
}
emit(counts, actualWindowLengthInSeconds);
}
上面的代碼可能有點抽象，看下這個圖就明白了，tick一到，窗口就滾動：
注：圖片來自http://www.michael-noll.com/blog/2013/01/18/implementing-real-time-trending-topics-in-storm/
IntermediateRankingsBolt & TotalRankingsBolt：
public final void execute(Tuple tuple, BasicOutputCollector collector) {
if (TupleUtils.isTick(tuple)) {
getLogger().debug("Received tick tuple, triggering emit of current rankings");
// 將聚合並排序的結果發送到下游
emitRankings(collector);
}
else {
// 聚合並排序
updateRankingsWithTuple(tuple);
}
}
其中，IntermediateRankingsBolt和TotalRankingsBolt的聚合排序方法略有不同：
IntermediateRankingsBolt的聚合排序方法：
// IntermediateRankingsBolt的聚合排序方法：
@Override
void updateRankingsWithTuple(Tuple tuple) {
// 這一步，將話題、話題出現的次數提取出來
Rankable rankable = RankableObjectWithFields.from(tuple);
// 這一步，將話題出現的次數進行聚合，然后重排序所有話題
super.getRankings().updateWith(rankable);
}
TotalRankingsBolt的聚合排序方法：
// TotalRankingsBolt的聚合排序方法
@Override
void updateRankingsWithTuple(Tuple tuple) {
// 提出來自IntermediateRankingsBolt的中間結果
Rankings rankingsToBeMerged = (Rankings) tuple.getValue(0);
// 聚合並排序
super.getRankings().updateWith(rankingsToBeMerged);
// 去0，節約內存
super.getRankings().pruneZeroCounts();
}
而重排序方法比較簡單粗暴，因為只求前N個，N不會很大：
private void rerank() {
Collections.sort(rankedItems);
Collections.reverse(rankedItems);
}
結語##
下圖可能就是我們想要的結果，我們完成了t0 - t1時刻之間的熱點話題統計，其中的foreach_break僅僅是為了防盜版 : ].
文中對滑動窗口計數的概念和關鍵代碼做了較為詳細解釋，如果還有不理解，請參考http://www.michael-noll.com/blog/2013/01/18/implementing-real-time-trending-topics-in-storm/的設計以及storm的源碼.
希望你了解了什么是實時計算 ：]