使用Apache Storm和Kite SDK Morphlines的可配置ETL处理

从我担任软件工程师的第一天起，我总是听到很多方面的相同要求：

“ 我们希望所有内容都可配置，我们希望在运行时更改所有内容，我们希望有一个可视化工具来应用所有这些逻辑，以便非开发人员使用和配置我们的应用程序。 ”

我也喜欢这种通用范围，但是众所周知，软件系统的适应性不强，客户的需求也不稳定。

在过去的几年中，我们已经使用传统的框架/技术（JMX，分布式缓存，Spring或JEE等）构建了此类可配置应用程序（并非100％可配置）。

近年来，我们的体系结构中还必须包含一个附加概念，这就是大数据 （或3V或4V或任何更合适的词）的概念。这个新概念淘汰了我们熟悉并在旧的3层应用程序中应用的各种解决方案或变通方法。

有趣的是，我很多次都和十年前一样。这是软件开发的规则，它永远不会结束，因此个人才能和新冒险也永远不会结束:-)

主要问题仍然是相同的，即如何构建可配置的ETL分布式应用程序 。

因此，我建立了一个小型的适应性强的解决方案，该解决方案在许多用例中可能会有所帮助。我在大数据世界中使用了3种常用工具： Java ， Apache Storm和Kite SDK Morplines 。 Java是主要的编程语言， Apache Storm是分布式流处理引擎，而Kite SDK Morphlines是可配置的ETL引擎。

风筝SDK Morplines

从其描述复制而来： Morphlines是一个开源框架，它减少了构建和更改Hadoop ETL流处理应用程序所需的时间和精力，该应用程序可将数据提取，转换并加载到Apache Solr，HBase，HDFS，Enterprise Data Warehouse或Analytic Online Dashboards中。 morphline是一个丰富的配置文件，可以轻松定义一个转换链，该转换链可以使用来自任何类型数据源的任何类型的数据，处理数据并将结果加载到Hadoop组件中。它用简单的配置步骤代替了Java编程，并相应地减少了与开发和维护定制ETL项目相关的成本和集成工作。

除了内置命令外，您还可以轻松实现自己的命令，并在吗啉配置文件中使用它。

示例Morphline配置读取一个JSON字符串，解析它，然后只记录一个特定的JSON元素：

morphlines : [{id : json_terminal_logimportCommands : ["org.kitesdk.**"]commands : [# read the JSON blob{ readJson: {} }# extract JSON objects into head fields{ extractJsonPaths {flatten: truepaths: {name: /nameage: /age}} }# log data{ logInfo {format : "name: {}, record: {}"args : ["@{name}", "@{}"]}}]
}]

风暴变身螺栓

为了在Storm中使用Morphlines，我实现了一个自定义MorphlinesBolt 。该螺栓的主要职责是：

通过配置文件初始化Morphlines处理程序
初始化映射说明：
a）从元组到吗啉输入，以及
b）从Morphline输出到新的输出元组
使用已初始化的Morplines上下文处理每个传入事件
如果Bolt不是Terminal ，则使用提供的Mapper （类型“ b”），使用Morphline执行的输出发出一个新的Tuple。

简单的可配置ETL拓扑

为了测试自定义MorphlinesBolt ，我编写了2个简单的测试。在这些测试中，您可以看到MorphlinesBolt是如何初始化的，然后是每次执行的结果。作为输入，我使用了一个自定义的Spout（RandomJsonTestSpout），它仅每100毫秒发出一次新的JSON字符串（可配置）。

DummyJsonTerminalLogTopology

一个简单的拓扑，该拓扑通过配置文件和每个传入的元组的执行Morphline处理程序来配置Morphline上下文。在此拓扑上， MorphlinesBolt被配置为终端螺栓，这意味着对于每个输入Tuple不会发出新的Tuple。

public class DummyJsonTerminalLogTopology {public static void main(String[] args) throws Exception {Config config = new Config();RandomJsonTestSpout spout = new RandomJsonTestSpout().withComplexJson(false);String2ByteArrayTupleMapper tuppleMapper = new String2ByteArrayTupleMapper();tuppleMapper.configure(CmnStormCons.TUPLE_FIELD_MSG);MorphlinesBolt morphBolt = new MorphlinesBolt().withTupleMapper(tuppleMapper).withMorphlineId("json_terminal_log").withMorphlineConfFile("target/test-classes/morphline_confs/json_terminal_log.conf");TopologyBuilder builder = new TopologyBuilder();builder.setSpout("WORD_SPOUT", spout, 1);builder.setBolt("MORPH_BOLT", morphBolt, 1).shuffleGrouping("WORD_SPOUT");if (args.length == 0) {LocalCluster cluster = new LocalCluster();cluster.submitTopology("MyDummyJsonTerminalLogTopology", config, builder.createTopology());Thread.sleep(10000);cluster.killTopology("MyDummyJsonTerminalLogTopology");cluster.shutdown();System.exit(0);} else if (args.length == 1) {StormSubmitter.submitTopology(args[0], config, builder.createTopology());} else {System.out.println("Usage: DummyJsonTerminalLogTopology <topology_name>");}}
}

DummyJson2StringTopology

一个简单的拓扑，该拓扑通过配置文件和每个传入的元组的执行Morphline处理程序来配置Morphline上下文。在此拓扑上， MorphlinesBolt被配置为普通螺栓，这意味着对于每个输入Tuple，它都会发出一个新的Tuple。

public class DummyJson2StringTopology {public static void main(String[] args) throws Exception {Config config = new Config();RandomJsonTestSpout spout = new RandomJsonTestSpout().withComplexJson(false);String2ByteArrayTupleMapper tuppleMapper = new String2ByteArrayTupleMapper();tuppleMapper.configure(CmnStormCons.TUPLE_FIELD_MSG);MorphlinesBolt morphBolt = new MorphlinesBolt().withTupleMapper(tuppleMapper).withMorphlineId("json2string").withMorphlineConfFile("target/test-classes/morphline_confs/json2string.conf")//.withOutputProcessors(Arrays.asList(resultRecordHandlers));.withOutputFields(CmnStormCons.TUPLE_FIELD_MSG).withRecordMapper(RecordHandlerFactory.genDefaultRecordHandler(String.class, new JsonNode2StringResultMapper()));LoggingBolt printBolt = new LoggingBolt().withFields(CmnStormCons.TUPLE_FIELD_MSG);TopologyBuilder builder = new TopologyBuilder();builder.setSpout("WORD_SPOUT", spout, 1);builder.setBolt("MORPH_BOLT", morphBolt, 1).shuffleGrouping("WORD_SPOUT");builder.setBolt("PRINT_BOLT", printBolt, 1).shuffleGrouping("MORPH_BOLT");if (args.length == 0) {LocalCluster cluster = new LocalCluster();cluster.submitTopology("MyDummyJson2StringTopology", config, builder.createTopology());Thread.sleep(10000);cluster.killTopology("MyDummyJson2StringTopology");cluster.shutdown();System.exit(0);} else if (args.length == 1) {StormSubmitter.submitTopology(args[0], config, builder.createTopology());} else {System.out.println("Usage: DummyJson2StringTopology <topology_name>");}}
}

最后的想法

MorphlinesBolt可以用作任何可配置ETL“解决方案”的一部分（作为单处理Bolt，作为终端Bolt，作为复杂管道的一部分，等等）。

在github中的示例项目集中，源代码作为Maven模块（ sv-etl-storm-morphlines ）提供。

最好的组合是将MorphlinesBolt与Flux一起使用。这可能会为您提供完全可配置的ETL拓扑！！！
我还没有添加为选项，以便保持较少的依赖关系（我可以添加范围“ test”）。

该模块不是最终模块，我将尝试对其进行改进，因此许多人会在第一个实现中发现各种错误。

对于任何其他想法或说明，请写评论：）

这是我2016年的第一篇文章！希望您身体健康，思想和行动更好。一切的第一项美德/价值是人类以及对我们所生活的环境（社会，地球，动物，植物等）的尊重。所有其他都是次要优先事项，不应破坏优先事项所隐含的内容。始终牢记最重要的美德，并在您采取的任何行动或思想中考虑它们。

翻译自: https://www.javacodegeeks.com/2016/01/configurable-etl-processing-using-apache-storm-kite-sdk-morphlines.html