Storm的进程、线程、任务数和线程安全问题研究(一篇明白)

基于Storm 1.0.6 版本

本文查阅了许多资料并反复琢磨，应该能做到一篇明白Storm的worker进程、线程、任务关系

一、概念

进程：即worker进程，工作进程，Java进程，或称JVM进程
线程：即executor，由进程产生，用于执行任务
任务：即task，任务就是被线程执行的东西，数据会流过task，线程作用于task将数据处理，可以理解task就是数据的处理工具，或者是数据的处理逻辑的工具
进程数：即worker数
线程数：即executor数
任务数：即task数
component：spout 和 bolt 的统称，后续也会用bolt的prepare/execute方法统称spout的open/nextTuple方法

worker进程可以比喻为工厂，executor线程可以比喻为工人，task任务可以比喻为车床

工厂里有很多工人，每个工人操作一到多台车床，车床有原料流过，原料从车床处理完毕流到下一个车床。

进程、线程是比较好理解的，任务(task)就比较难理解，什么是task，task应该是数据的处理逻辑的集合，线程只负责执行，至于怎么执行，是task规定的，而task怎么知道如何处理数据，它应该是委托给Bolt/Spount的，这就是我们书写的Bolt/Spount里头的处理逻辑，而task其实就是包装了bolt/spout实例，线程执行了task的run方法，run方法里转而调用execute/nextTuple方法

三者关系

以下知识点细节都是正确的 (目前的知识认为是对的)

bolt/spout 实例数一定等于task数
每个task都有自己的 bolt 或 spout 的实例，所以 task数等于 bolt/spout 实例数
线程数 <= task数，一个线程执行一到多个task
component 中的成员变量在 prepare/execute(open/nextTuple) 方法中被操作，是线程安全的
component 中的静态变量在 prepare/execute(open/nextTuple) 方法中被操作，是非线程安全的
相同 worker 可能存在类型相同的多个实例 (相同的Class，有多个实例)
可能出现一个线程服务于多个task的情况
一个executor总会有一个线程来运行executor所有的task,这说明task在executor内部是串行执行的。(An executor always has one thread that it uses for all of its tasks, which means that tasks run serially on an executor.)
一个线程服务于多个task，而不是多个线程操作同一个task，因此component的成员变量不存在资源竞争
因为component中的静态变量是类共享的，而同一个worker里存在相同类型component的多个实例，因此是可能出现多个线程操作同一个静态变量，造成线程安全问题
一个storm集群可以运行多个拓扑(Topology)，资源是隔离的
一个拓扑可能由多个worker为其服务
具体某个worker服务于特定的拓扑
线程(executor)是进程(worker)产生的
线程(executor)服务于固定的某个类的component(不会出现跨类型)
task数是 component 的实例数，证据是 StormUI 界面可看到解释：A task is an instance of a Bolt or Spout
设置线程数的地方，setBolt/setSpout的parallelism_hint参数
设置task数的地方，setNumTasks，不设置则等于线程数
TopologyBuilder#setBolt 源码中对parallelism_hint的解释是错的

详解：

Note that as of Storm 0.8 the parallelism_hint parameter now specifies the initial number of executors (not tasks!) for that bolt.

翻译：Storm 0.8版本之后，使用 parallelism_hint参数来指定该bolt的executor的初始数量，注意不是task数!

之所以源码中的注释是错的，是因为注释没及时修改过来


源码：
/**
 * Define a new bolt in this topology with the specified amount of parallelism.
 *
 * @param id the id of this component. This id is referenced by other components that want to consume this bolt's outputs.
 * @param bolt the bolt
 * @param parallelism_hint the number of tasks that should be assigned to execute this bolt. Each task will run on a thread in a process somewhere around the cluster.
 * @return use the returned object to declare the inputs to this component
 * @throws IllegalArgumentException if {@code parallelism_hint} is not positive
 */
public BoltDeclarer setBolt(String id, IRichBolt bolt, Number parallelism_hint) throws IllegalArgumentException {}

补充：

有博客说XxxxBolt的实例数会受到 不大于workerNum 规则的影响，是错的，动手尝试了setWorkerNum(1)并且设置bolt数量是2，结果StormUI上依旧显示taskNum为2，显示bolt的数量是2，所以观点站不住脚

配置拓扑的并发度

如何制定task数、线程数和进程数

注意Storm术语中“并发度(parallelism)“特定地用来描述所谓的”parallelism hint”，是一个意思

Storm目前配置项的优先级是：外部component特定的配置>内部component特定的配置项>拓扑特定的配置项>storm.yaml>defaults.yaml

一、非运行时方式指定

用途	描述	配置文件方式进行设置	代码方式进行设置
worker进程数量	拓扑在集群机器上运行时需要的worker进程数据量	Config#TOPOLOGY_WORKERS	Config#setNumWorkers
每个组件需要创建的executor数量	executor线程的数量	没有单独配置项	TopologyBuilder#setSpout() 和 TopologyBuidler#setBolt() Storm 0.8之后使用 parallelism_hint参数来指定executor的初始数量(不是task数，源码中的描述可能由于未及时更新，是错的，详细参考文章末尾的`参考资料`)
task数量	每个组件需要创建的task数量	Config#TOPOLOGY_TASKS	ComponentConfigurationDeclarer#setNumTasks()

二、运行时方式指定

1、使用命令行

即拓扑已经在storm平台跑起来了，如何动态改

task数，改不了
executor数，使用-e
worker数，使用-n

例子：

# 重新配置“mytopology”拓扑使用5个worker进程[原来是2个］
# "blue-spout"这个spout使用3个[原来有2个]executor
# "yellow-bolt"使用10个[原来有6个]executor
$ storm rebalance mytopology -n 5 -e blue-spout=3 -e yellow-bolt=10

2、使用 StormUI

(略)

参考资料

官方1.0.6版本文档 (本文的storm基于1.0.1版本，因官方没这版本的文档，查看1.0.6)
Understanding the Parallelism of a Storm Topology (这里是中文版) 非常推荐
Thread safe of storm bolt (stack overflow)
Thread safety of bolts 似乎是谷歌的论坛，回复问题的人Nathan正是Storm作者!!!
应该是官方文档的翻译非常全面的参考资料
Storm消息可靠性保证如何保证消息的可靠性，有代码例子
How is this word count bolt thread safe?
源码中的一些注释

// setBolt带上的并行度的解释
/**
 * Define a new bolt in this topology with the specified amount of parallelism.
 *
 * @param id the id of this component. This id is referenced by other components that want to consume this bolt's outputs.
 * @param bolt the bolt
 * @param parallelism_hint the number of tasks that should be assigned to execute this bolt. Each task will run on a thread in a process somewhere around the cluster.
 * @return use the returned object to declare the inputs to this component
 * @throws IllegalArgumentException if {@code parallelism_hint} is not positive
 */
public BoltDeclarer setBolt(String id, IRichBolt bolt, Number parallelism_hint) throws IllegalArgumentException {}
// parallelism_hint解释：分配用于执行该bolt的任务数，感觉有点奇怪，怎么是"任务数"，不是线程数吗?为什么用了task这个单词



// setNumTasks，代码如下解释
/**
 * How many instances to create for a spout/bolt. A task runs on a thread with zero or more
 * other tasks for the same spout/bolt. The number of tasks for a spout/bolt is always
 * the same throughout the lifetime of a topology, but the number of executors (threads) for
 * a spout/bolt can change over time. This allows a topology to scale to more or less resources
 * without redeploying the topology or violating the constraints of Storm (such as a fields grouping
 * guaranteeing that the same value goes to the same task).
 */