Storm的Metric接口简介

本文由作者林洋港授权网易云社区发布。

作为服务端程序，我们总是需要向外界报告一些统计数据，以助于了解系统的运行情况，比如某个接口的调用时间、系统处理的请求数等等。当我们的程序以Storm Topology的形式运行时同样需要输出这些统计数据。Storm为我们提供了Metric接口，可以方便的把一些统计指标输出到指定的地方。Storm Metric的统计方式为每隔指定的时间间隔输出统计内容。本文首先介绍Storm Metric相关的接口以及它们之间的关系，然后以实际应用中的一个例子来说明如何使用Metric接口。本文使用的Storm版本为0.9.1-incubating。

IMetric是Storm用于保存统计数据的接口

public interface IMetric {

public Object getValueAndReset();

}

接口只有一个getValueAndReset方法，当需要输出统计内容时，Storm就会调用这个方法。值得注意的是getValueAndReset方法返回的是Object类型，这为统计内容的形式提供了灵活性，我们可以返回任意的类型作为统计信息，这一点在后面的例子中我们会再提到。另一个引起我们注意的地方是IMetric接口并没有声明更新统计数据的方法，这样当我们实现IMetric接口的时候就更加灵活了——参数类型、参数个数都没有限制。Storm自身提供了6个IMetric实现：AssignableMetric、CombinedMetric、CountMetric、MultiCountMetric、ReducedMetric、StateMetric。这里只介绍CountMetric和MultiCountMetric的使用方式，以印证前面说的IMetric接口统计数据更新方式的灵活性以及getValueAndReset返回Object类型的灵活性。CountMetric就是一个简单的计数器，有两个方法incr()和incrBy(long incrementBy)，其getValueAndReset方法返回一个long类型的值：

public Object getValueAndReset() {

    long ret = _value;

    _value = 0;

    return ret;

}

MultiCountMetric，顾名思义，就是多个指标的计数器，维护着一个Map，只有一个方法CountMetric scope(String key)。因此MultiCountMetric的更新方式为MultiCountMetric.scope(key).incr()或MultiCountMetric.scope(key).incrBy(long incrementBy)。它的getValueAndReset返回的是一个Map：

public Object getValueAndReset() {

    Map ret = new HashMap();

    for(Map.Entry e : _value.entrySet()) {

        ret.put(e.getKey(), e.getValue().getValueAndReset());

    }

    return ret;

}

除了IMetric接口，还有另外一个接口IMetricsConsumer，它负责向外输出统计信息，即把IMetric getValueAndReset方法返回的数据输出到外面。IMetricsConsumer有三个方法

void prepare(Map stormConf, Object registrationArgument, TopologyContext context, IErrorReporter errorReporter);

void handleDataPoints(TaskInfo taskInfo, Collection dataPoints);

void cleanup();

其中prepare是初始化，cleanup是生命周期结束时的清理工作，handleDataPoints才是真正的统计信息输出方法，taskInfo参数存储当前task的信息（host、port、component id、task id等等），dataPoints存储的是IMetric返回的统计信息，可能是出于性能考虑，dataPoints是一个集合，包含了多个IMetric返回的数据。让我们来具体看看DataPoint这个类：

public static class DataPoint {

    @Override

    public String toString() {

        return "[" + name + " = " + value + "]";

    }

    public String name; 

    public Object value;

}

name是IMetric注册时的名字，value就是IMetric getValueAndReset返回的那个Object。

Storm只提供了一个IMetricsConsumer实现——LoggingMetricsConsumer。LoggingMetricsConsumer做的事情很简单，就是把dataPoints输出到日志文件metrics.log，下面是其handleDataPoints方法的部分代码：

   for (DataPoint p : dataPoints) {

        sb.delete(header.length(), sb.length());

        sb.append(p.name)

            .append(padding).delete(header.length()+23,sb.length()).append("\t")

            .append(p.value);

        LOG.info(sb.toString());

    }

可以看到它通过调用DataPoint的value的toString方法把统计信息输出到日志里面的，所以如果你的IMetric实现返回的是自己定义的类型，记得重载toString()方法，让统计信息以可读的格式输出。

到这里Storm的Metric接口和自带的实现基本介绍完了，接下来我们来看看怎么使用Storm自带的这些实现。首先，Storm默认的配置是关掉Metric功能的，可以有两种方式开启Metric功能：

1）在storm.yaml里面配置，这种是集群级别的设置，个人不建议这么做，所以就不多介绍了

2）conf.registerMetricsConsumer(Class klass, long parallelismHint);这是topology级别的，klass是IMetricsConsumer的实现类，parallelismHint这个参数Storm代码里面没注释我也没深入看底层的实现，这里结合自己的实验谈谈它的意义：topology是在1个或多个worker上面以多个task的方式跑的嘛，parallelismHint就是指定多少个并发来输出统计信息。这里我也不知道parallelismHint指的是多个task、worker还是supervisor，反正parallelismHint=1的时候只在特定的一个supervisor下面的metrics.log有统计信息，parallelismHint>1时可能取决于worker的数量，我测试的时候由于是在多个supervisor上跑的，因此观察到多个supervisor都有metrics.log的输出。个人经验是parallelismHint设为1，这样可以在一个supervisor下面的metrics.log就能看到所有task的统计信息。

由于我建议采用第二种方法，所以示例代码为：

//客户端注册IMetricsConsumer

conf.registerMetricsConsumer(LoggingMetricsConsumer.class);

StormSubmitter.submitTopology(name, conf, builder.createTopology());

//我们假设要统计spout某段代码的调用次数

//注册IMetric

@Override

public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {

    ...

    metric=new CountMetric();

    context.registerMetric("spout time cost", metric, 60);  //因此DataPoint的name为spout time cost，60表示1分钟统计一次

    ...

}

//更新统计数据

@Override

public void nextTuple() {

    if(...)...

    else{

        ...

        metric.incr();

    }

}

这样就可以了，然后你就能在metrics.log看到统计数据了。

现在，假设我们的需求跟上面不太一样：1）metrics.log只打印我们自己维护的统计信息，屏蔽__system、__fail-count这种系统自己的统计信息；2）不只统计代码的调用次数，还要统计调用时间——最小时间、最大时间、平均时间。

第一点可以通过重载LoggingMetricsConsumer的方法来实现：

public class AppLoggingMetricsConsumer extends LoggingMetricsConsumer {

@Override

public void handleDataPoints(TaskInfo taskInfo, Collection<DataPoint> dataPoints) {

    if (taskInfo.srcComponentId != null && taskInfo.srcComponentId.startsWith("__")) return;

    if (dataPoints == null || dataPoints.isEmpty()) return;

    List<DataPoint> list = new ArrayList<DataPoint>();

    for (DataPoint p : dataPoints) {

        if (p.name == null || p.name.startsWith("__")) continue;

        list.add(p);

    }

    if (list.isEmpty()) return;

    super.handleDataPoints(taskInfo, list);

}

}

第二点需要开发我们自己的IMetric接口实现类TimeCostMetric，以下是其主要代码：

@Override

public Object getValueAndReset() {

    TimeCost timeCost=new TimeCost();

    timeCost.count=count;

    if(timeCost.count>0){

        timeCost.min=min;

        timeCost.max=max;

        timeCost.mean=all*1.0/timeCost.count;

    }

    init();

    return timeCost;

}

public void update(long time){

    count++;

    all+=time;

    if(min>time)min=time;

    if(max<time)max=time;

}

public static class TimeCost implements Serializable{

    private static final long serialVersionUID = 8355726599226036228L;

    int count;

    long min;

    long max;

    double mean;

    

    public String toString(){

        return "count: "+count+", min: "+min+", max:"+max+", mean: "+mean;

    }

}

TimeCostMetric的getValueAndReset方法返回的是一个TimeCost 对象，日志中最终打印的就是其toString方法的内容。然后把前面红色部分的代码改成下面的内容：

① conf.registerMetricsConsumer(AppLoggingMetricsConsumer .class);

② metric=new TimeCostMetric();

  context.registerMetric("MQ spout time cost", metric, 60);

③ metric.incr();

再来看看metrics.log

本文中是直接把统计信息打到日志中，你也可以自己实现IMetricsConsumer接口，把统计信息保存到指定的地方，如数据库、监控平台等等。

免费领取验证码、内容安全、短信发送、直播点播体验包及云服务器等套餐

更多网易技术、产品、运营经验分享请访问网易云社区。

文章来源： 网易云社区