Storm
- flume实时采集,低延迟
- kafka消息队列,低延迟
- storm实时计算,低延迟
- Redis实时存储,低延迟
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。
storm与Hadoop区别?
- 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的;hadoop的数据保存在磁盘中;
- storm与hadoop的编程模型相似:
storm hadoop 角色 Nimbus JobTracker Supervisor TaskTracker Worker Child 应用名称 Topology Job 编程接口 Spout/Bolt Mapper/Reducer
运用场景:
- 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出到另一个系统,比如讲数据库同步到hadoop;
- 消息转化器:将接受到的消息按照某种格式进行转化,存储到另一个系统如消息中间件。
典型案例:
- 淘宝实时分析系统:实时分析用户的属性,并反馈给搜索引擎,最初,用户属性分析是通过每天在云梯上定时运行的MR job来完成的。为了满足实时性的要求,希望能够实时分析用户的行为日志,将最初的用户属性反馈给搜索引擎,能够为用户展示最贴近其当前需求的结果
- 携程网站性能监控:实时分析系统监控携程的网站的性能,利用HTML5提供的performance标准获得可用的指标,并记录日志。storm集群实时分析日志和入库。使用DRPC聚合成报表,通过历史数据对比等判断规则,触发预警事件。
- 阿里妈妈用户画像:实时计算用户的兴趣数据,为了更加精准投放广告,阿里妈妈后台计算引擎需要维护每个用户的兴趣点(理想状态是,你对什么感兴趣,就向你投放呢类广告)。用于兴趣主要基于用户的历史行为、用户的实时查询、用户的实时点击、用户的地理信息而得,其中实时查询、实时点击等用户行为都是实时数据。考虑到系统的实时性。阿里妈妈使用storm维护用户兴趣数据,并在此基础上进行受众定向的广告投放。
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:运行具体处理组件逻辑的进程。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/blot的线程称为一个task。在storm0.8之后,task不在于物理线程对应,不同spout/bolt的task可能会共享一个物理线程,该线程称为executor
Storm编程模型
- Topology:Storm中运行的一个事实应用程序的名称;
- Spout:在一个topology中获取元数据流的组件;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;
- Tuple:一次消息传递的基本单元,理解为一组消息就是一个tuple;
- stream:表示数据的流向。
流式计算一般架构图
- flume用来获取数据;
- kafka用来临时保存数据;
- storm用来计算数据;
- Redis是个内存数据库,用来保存数据。