Storm入门指南第一章 基础知识

Storm是一个分布式、可靠、容错的流式数据处理系统。处理工作被分派给不同类型的组件(components)，每个组件分别负责一个简单、特定的处理任务。处理Storm集群输入流的组件叫喷口(spout)，喷口再将数据传给一个叫螺栓(bolt)的组件，并在螺栓中处理数据，处理完成之后，螺栓要么将这些数据存储起来（存储在数据库、磁盘甚至是对象中），要么将它传给其他螺栓。因此，可以将Storm集群想象成一个螺栓链，每个螺栓都会对喷口发送的数据作出一些处理。

译者的话：后面对spout、bolt都采用英文叫法，不再使用喷口、螺栓~~

这里使用一个简单的例子去解释这个概念：昨晚我在看新闻时，几个播音员开始谈论政客和他们的地位，他们不停地重复不同的名字，我很好奇每个名字被提及的次数是否相同，还是有些偏差。

这里，将播音员们说的字幕想象成你的输入数据流，让spout来从一个文件（或者套接字[socket]）读取这个输入。当成行的文本到达时，spout将它们交给一个bolt，该bolt将文本分离成一个个的单词。接着，这个单词流被传递到另一个bolt，这个bolt会将每个单词与一个预先定义好的政客名字列表作比较。对于每一次匹配成功（单词与政客名字相同），第二个bolt会在数据库中增加一次那个名字的计数。当你想看结果的时候，只需要查询数据库，该数据库在数据到达的时候会被实时更新。所有组件（spouts和bolts）的排列、连接被称为一个拓扑(topology)，如图1-1.

图1-1 一个简单的拓扑

 设想简单地定义整个集群中每个bolt和spout的并行度，这样你就可以无限地扩展你的拓扑。很神奇，对吧？尽管这只是一个简单的例子，但是你可以看到Storm有多强大。

Storm的典型用例有哪些呢？

流处理：正如前面的例子中所展示的，和其他流处理系统不同的是，使用Storm不需要中间队列。

连续计算：向客户端持续发送数据，以便它们能实时更新、显示结果，例如网站统计。

分布式远程过程调用：可简单地并行运行CPU密集型操作。

Storm集群组成部分

在Storm集群中，所有节点被一个连续运行的主节点管理。

在Storm集群中有两种节点：主节点(master node)和工作节点(worker nodes)。主节点上运行了一个叫Nimbus的后台进程，它负责在集群内分发代码、为每个工作节点指派任务、监控失败的任务。工作节点上运行了一个叫Supervisor的后台进程，它执行topology的一部分。Storm中的一个topology运行在很多工作节点上，这些工作节点分布在不同的机器。

由于Storm将所有集群状态保存在Zookeeper或者本地磁盘上，因此这些后台进程是无状态的，并且可以在不影响系统健康的情况下失效或者重启（见图1-2）。

图1-2.Storm集群的组成部分

Storm在底层使用zeromq(0mq,zeromq)，它是一个高级、可嵌入、提供极好特性的网络库，这使得Storm成为可能。下面列举了一些zeromq的特点：

• 充当并发框架的套接字库(socket lib)
• 对于集群产品和超级计算，比TCP更快速
• 在进程内、IPC、TCP和多播之间传递数据
• 异步IO支持可扩展的多核消息传递应用
• 通过展开、发布订阅、管道、请求应答连接N-to-N

提示：Storm只使用push/pull套接字。

译者的话：不必纠结于此处关于zeromq的解释，容易犯晕，需要的时候再看。

Storm特性

编程简单：如果你尝试过从头开始构建实时处理系统，你就会明白它有多痛苦。使用storm，复杂性被大大减少。

支持多种编程语言：使用基于JVM的语言开发变得更简单了，然而storm支持任何语言，只要你使用或者实现一个小的中间库。

容错：Storm关注workers节点的宕机，并在必要时刻对任务进行重分配。

可扩展：为了扩展集群，你所需做的只是向集群中增加更多的机器，当它们可用的时候Storm会为新机器分配任务。

可靠：所有的消息都确保至少处理一次。如果有错误，消息可能会被处理不止一次，但是你永远不会丢失数据。

快速：速度曾是驱动Storm设计的关键因素。

事务性：对于几乎任何计算，你可以确切地获取一次消息语义。

• 本文固定链接: http://www.flyne.org/article/25
• 转载请注明: 东风化宇 2014年03月06日 于 Flyne 发表