本文系原创系列，转载请注明。
原帖地址：http://blog.csdn.net/xeseo
前言
在前面Storm系列之——基本概念一文中，提到过Storm的Spout应该是源源不断的取数据，不能间断。那么，很显然，消息队列系统、分布式内存系统或内存数据库是作为其数据源的很好的选择。本文就如何集成Kafka进行介绍。Kafka的基本介绍：http://blog.csdn.net/xeseo/article/details/18311955
准备工作
KafkaSpout其实网上已经有人写了，在github上开源了，不用我们自己造*。只是要注意版本问题： 0.7版本的Kafka，对应KafkaSpout可以使用Storm-contrib下面的例子 源码：https://github.com/nathanmarz/storm-contrib/tree/master/storm-kafka Maven依赖：https://clojars.org/storm/storm-kafka0.8版本的Kafka在API上和底层Offset的处理方式上发生了重大变化，所以老的KafkaSpout不再适用，必须使用新的KafkaAPI 源码：https://github.com/wurstmeister/storm-kafka-0.8-plus Maven依赖：
这里因为0.8版本的Kafka必然是将来主流，所以我就不介绍0.7 的了，使用方式基本上是类似的。
PS: 是人写的，就会有bug，何况是别人分享出来的。所以，遇到bug，还请去github上提交一个issue告诉作者修正。
2014/7/29 更新： wurstmeister/storm-kafka-0.8-plus 现在合并到Apache Storm了，在其external/storm-kakfa目录
Maven依赖直接更新成：
<dependency>但是storm似乎没有直接把external的包加载到classpath，所以使用时，还得手动把该jar包从external/storm-kafka/下拷到storm的lib目录。 当然，也可以在maven中加上<scope>compile</scope>，直接把该jar打到你项目一起。
<groupId>org.apache.storm</groupId>
<artifactId>storm-kafka</artifactId>
<version>0.9.2-incubating</version>
</dependency>
使用KafkaSpout
一个KafkaSpout只能去处理一个topic的内容，所以，它要求初始化时提供如下与topic相关信息：- Kafka集群中的Broker地址 （IP+Port）
有两种方法指定： 1. 使用静态地址，即直接给定Kafka集群中所有Broker信息GlobalPartitionInformation info = new GlobalPartitionInformation();
info.addPartition(0, new Broker("10.1.110.24",9092));
info.addPartition(0, new Broker("10.1.110.21",9092));
BrokerHosts brokerHosts = new StaticHosts(info);
2. 从Zookeeper动态读取BrokerHosts brokerHosts = new ZkHosts("10.1.110.24:2181,10.1.110.22:2181");推荐使用这种方法，因为Kafka的Broker可能会动态的增减
- topic名字
- 当前spout的唯一标识Id （以下代称$spout_id）
- zookeeper上用于存储当前处理到哪个Offset了 （以下代称$zk_root)
- 当前topic中数据如何解码
在Topology中加入Spout的代码：
String topic = "test";
String zkRoot = "kafkastorm";
String spoutId = "myKafka";
SpoutConfig spoutConfig = new SpoutConfig(brokerHosts, topic, zkRoot, spoutId);
spoutConfig.scheme = new SchemeAsMultiScheme(new TestMessageScheme());
TopologyBuilder builder = new TopologyBuilder();
builder.setSpout("spout", new KafkaSpout(spoutConfig), spoutNum);
其中TestMessageScheme就是告诉KafkaSpout如何去解码数据，生成Storm内部传递数据
public class TestMessageScheme implements Scheme {
private static final Logger LOGGER = LoggerFactory.getLogger(TestMessageScheme.class);
@Override
public List<Object> deserialize(byte[] bytes) {
try {
String msg = new String(bytes, "UTF-8");
return new Values(msg);
} catch (InvalidProtocolBufferException e) {
LOGGER.error("Cannot parse the provided message!");
}
//TODO: what happend if returns null?
return null;
}
@Override
public Fields getOutputFields() {
return new Fields("msg");
}
}这个解码方式是与Producer端生成时塞入数据的编码方式配套的。这里我Producer端塞入的是String的byte，所以这里也还原成String，定义输出为一个名叫"msg"的field。
后面就可以自己添加Bolt处理tuple中该field的数据了。
使用TransactionalTridentKafkaSpout
TransactionalTridentKafkaSpout是为事务性的Trident而用的。用法与KafkaSpout有所不同。TridentKafkaConfig kafkaConfig = new TridentKafkaConfig(brokerHosts, topic, spoutId);
kafkaConfig.scheme = new SchemeAsMultiScheme(new TestMessageScheme());
TransactionalTridentKafkaSpout kafkaSpout = new TransactionalTridentKafkaSpout(kafkaConfig);
TridentTopology topology = new TridentTopology();
topology.newStream("test_str", kafkaSpout).shuffle().each(new Fields("msg", new PrintFunction());
看到它并没有要求我们提供zkRoot，因为直接代码里面写死了…… -_-T 地址是 /transactional/<STREAM_NAME>/<Spout_Id>,在上面的例子中，就是 /transactional/test_str/myKafaka
常见问题
1. 本地模式无法保存Offset KafkaSpout初始化时，会去取spoutConfig.zkServers 和 spoutConfig.zkPort 变量的值，而该值默认是没塞的，所以是空，那么它就会去取当前运行的Storm所配置的zookeeper地址和端口，而本地运行的Storm，是一个临时的zookeeper实例，并不会真正持久化。所以，每次关闭后，数据就没了。 本地模式，要显示的去配置spoutConfig.zkServers = new ArrayList<String>(){{
add("10.1.110.20");
add("10.1.110.21");
add("10.1.110.24");
}};
spoutConfig.zkPort = 2181;
<del><dependency>
<groupId>net.wurstmeister.storm</groupId>
<artifactId>storm-kafka-0.8-plus</artifactId>
<version>0.2.0</version>
<exclusion>
<groupId>org.slf4j</groupId>
<artifactId>slf4j-simple</artifactId>
</exclusion>
</dependency></del>