storm背景引入（一）

 

一、离线计算与流式计算

• 离线计算

离线计算：批量获取数据、批量传输数据、周期性批量计算数据、数据展示

代表技术：Sqoop批量导入数据、HDFS批量存储数据、MapReduce批量计算数据、Hive批量计算数据、***任务调度

主要工作：hivesql、调度平台、Hadoop集群运维、数据清洗（脚本语言）、元数据管理、数据稽查、数据仓库模型架构

• 流式计算

 流式计算：数据实时产生、数据实时传输、数据实时计算、实时展示

 代表技术：Flume实时获取数据、Kafka/metaq实时数据存储、Storm/JStorm实时数据计算、Redis实时结果缓存、持久化存储(mysql)。

二、Storm介绍

         Storm用来实时计算源源不断产生的数据，如同流水线生产。Storm用来实时处理数据，特点：低延迟、高可用、分布式、可扩展、数据不丢失。提供简单容易理解的接口，便于开发。它的运用场景有：

• 日志分析：从海量日志中分析出特定的数据，并将分析的结果存入外部存储器用来辅佐决策。
• 管道系统：将一个数据从一个系统传输到另外一个系统，比如将数据库同步到Hadoop
• 消息转化器：将接受到的消息按照某种格式进行转化，存储到另外一个系统如消息中间件

它和Hadoop的区别如下：

• Storm用于实时计算，Hadoop用于离线计算。
• Storm处理的数据保存在内存中，源源不断；Hadoop处理的数据保存在文件系统中，一批一批。
• Storm的数据通过网络传输进来；Hadoop的数据保存在磁盘中。
• Storm与Hadoop的编程模型相似

三、Storm核心组件

• 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。---通过配置文件设置当前supervisor上启动多少个worker。worker的数量根据端口号来的。
• Worker：运行具体处理组件逻辑的进程（其实就是一个JVM）。Worker运行的任务类型只有两种，一种是Spout任务，一种是Bolt任务。
• Task：worker中每一个spout/bolt的线程称为一个task. 在storm0.8之后，task不再与物理线程对应，不同spout/bolt的task可能会共享一个物理线程，该线程称为executor。Task=线程=executor。
• Zookeeper：保存任务分配的信息、心跳信息、元数据信息。

四、Storm编程模型

1、基本介绍

• Topology：Storm中运行的一个实时应用程序的名称（拓扑）。一个worker(JVM)只属于一个topology,每个worker中运行的task只能属于这个topology。 反之，一个topology包含多个worker，其实就是这个topology运行在多个worker上。一个topology要求的worker数量如果不被满足，集群在任务分配时，根据现有的worker先运行topology。如果当前集群中worker数量为0，那么最新提交的topology将只会被标识active，不会运行，只有当集群有了空闲资源之后，才会被运行。

• Spout：接受外部数据源的组件，将外部数据源转化成Storm内部的数据，以Tuple为基本的传输单元下发给Bolt。在一个topology中获取源数据流的组件。通常情况下spout会从外部数据源中读取数据，然后转换为topology内部的源数据。
• Bolt：接受数据然后执行处理的组件,用户可以在其中执行自己想要的操作。接受Spout发送的数据，或上游的bolt的发送的数据。根据业务逻辑进行处理。发送给下一个Bolt或者是存储到某种介质上。介质可以是Redis可以是mysql，或者其他。
• Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。Storm内部中数据传输的基本单元，里面封装了一个List对象，用来保存数据。
• Stream：表示数据的流向(箭头)。

 

2、Stream Grouping详解

Storm里面有7种类型的stream grouping

• 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数目大致相同。
• Fields Grouping：按字段分组，比如按userid来分组，具有同样userid的tuple会被分到相同的Bolts里的一个task，而不同的userid则会被分配到不同的bolts里的task。
• All Grouping：广播发送，对于每一个tuple，所有的bolts都会收到。
• Global Grouping：全局分组， 这个tuple被分配到storm中的一个bolt的其中一个task。再具体一点就是分配给id值最低的那个task。
• Non Grouping：不分组，这stream grouping个分组的意思是说stream不关心到底谁会收到它的tuple。目前这种分组和Shuffle grouping是一样的效果， 有一点不同的是storm会把这个bolt放到这个bolt的订阅者同一个线程里面去执行。
• Direct Grouping： 直接分组， 这是一种比较特别的分组方法，用这种分组意味着消息的发送者指定由消息接收者的哪个task处理这个消息。只有被声明为Direct Stream的消息流可以声明这种分组方法。而且这种消息tuple必须使用emitDirect方法来发射。消息处理者可以通过TopologyContext来获取处理它的消息的task的id （OutputCollector.emit方法也会返回task的id）。
• Local or shuffle grouping：如果目标bolt有一个或者多个task在同一个工作进程中，tuple将会被随机发生给这些tasks。否则，和普通的Shuffle Grouping行为一致。在集群中，即如果bolt中如果有和spout在一个机器中的，那么spout优先发给那些bolt，避免网络IO。

 

五、流式计算一般架构图

• 其中flume用来获取数据。
• Kafka用来临时保存数据。
• Strom用来计算数据。
• Redis是个内存数据库，用来保存数据。