跟我一起去征服

Nimbus:负责资源分配和任务调度Supervisor:负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程Worker:运行具体处理组件逻辑的进程Task:worker中每一个spout/bolt的线程成为一个task,在storm 0.8之后，task不再与物理线程对应，同一个spout/bolt的task可能会共享一个物理线程，该线程成为executor

Storm的一些关键特性适用场景广泛： storm可以实时处理消息和更新DB，对一个数据量进行持续的查询并返回客户端（持续计算），对一个耗资源的查询作实时并行化的处理(分布式方法调用，即DRPC），storm的这些基础API可以满足大量的场景。 可伸缩性高:  Storm的可伸缩性可以让storm每秒可以处理的消息量达到很高。扩展一个实时计算任务，你所需要做

storm drpc 是什么？咋一听觉得挺高大上的，其实也就是那么一回事。就是storm的topology 提供了很多函数，并且函数名唯一，函数里面封装了一些算法操作。只需要在调用的时候指定函数名和传递参数就可以得到返回值。简单的来说就是这么一回事。下面是客户端调用的例子：public static void main(String[] args) { // TODO Aut

在实际的Storm集群上运行DRPC，需完成以下步骤：1、配置DRPC Server(s)地址；    在Storm集群中配置DRPC Server地址，这就是DRPCSpout读取函数调用请求的地方。这一步的配置可以通过storm.yaml文件或者拓扑的配置来完成。通过storm.yaml文件的配置方式如下：drpc.servers:    -  "hadoop1"   

stream grouping用来定义一个stream应该如何分配给Bolts上面的多个Tasks。storm里面有6种类型的stream grouping:1. Shuffle Grouping:随机分组， 随机派发stream里面的tuple， 保证每个bolt接收到的tuple数目相同。轮询，平均分配。2. Fields Grouping：按字段分组，比如按userid来分组

storm的并发跟spark还是差异很大的。首先strom的topology可以指定worker的个数，woker下面可以指定多少个executor，这个executor就是并发数了，但是还有个task的概念。这个跟spark的概念是非常不同的。因为executor在spark中代表的是一个线程池，task就是一个个的线程。但是storm中的概念并不是这样的，首先来了解一下storm单线程和多线程