大数据技术原理与应用学习笔记（十一）

本系列历史文章

大数据技术原理与应用学习笔记（一）
大数据技术原理与应用学习笔记（二）
大数据技术原理与应用学习笔记（三）
大数据技术原理与应用学习笔记（四）
大数据技术原理与应用学习笔记（五）
大数据技术原理与应用学习笔记（六）
大数据技术原理与应用学习笔记（七）
大数据技术原理与应用学习笔记（八）
大数据技术原理与应用学习笔记（九）
大数据技术原理与应用学习笔记（十）

流计算

流计算简介

数据的处理模型

流数据具有以下特征：

• 数据快速持续到达，潜在大小无穷无尽
• 数据来源众多，格式复杂
• 数据量大，但不十分关注存储，一旦经过处理，要么被丢弃，要么被归档存储
• 注重数据的整体价值，不过分关注个别数据
• 数据顺序颠倒或者不完整，系统无法控制将要处理的新到达的数据元素的顺序。

典型的三大框架：

• Hadoop
• Spark
• Storm

流计算概念的概念与典型框架

流计算概念：实时获取来自不同数据源的海量数据进行实时处理，从中获取有价值的信息。
基本理念：

• 数据价值随时间流逝而降低
• 需实时处理

流系统计算要求：

• 高性能
• 海量式
• 实时性
• 分布性
• 易用性
• 可靠性

流计算处理流程

传统数据处理流程

用户查询→数据管理模块→得出result
两个前提：

• 存储数据是旧的
• 需用户主动查询

流数据处理流程

如下图所示：

数据实时采集系统基本架构分为 Agent、Collector、Store 三个部分，其关系如下图所示：

Agent：主动采集数据，把数据推到Collector
Collector：接收多个Agent数据并实现有序、可靠、高性能的转发
Store：存储Collector转发过来的数据（对于流计算不存储数据）

数据实时计算

数据实时计算阶段对采集的数据进行实时的分析和计算，并反馈实时结果
经流处理系统处理后的数据，可视情况进行存储，以便之后再进行分析计算。在时效性要求较高的场景中，处理之后的数据也可以直接丢弃

实时查询服务

实时查询服务：经由流计算框架得出的结果可供用户进行实时查询、展示或储存
传统的数据处理流程，用户需要主动发出查询才能获得想要的结果。而在流处理流程中，实时查询服务可以不断更新结果，并将用户所需的结果实时推送给用户
虽然通过对传统的数据处理系统进行定时查询，也可以实现不断地更新结果和结果推送，但通过这样的方式获取的结果，仍然是根据过去某一时刻的数据得到的结果，与实时结果有着本质的区别

流计算的应用

• 实时分析
• 实时处理

Storm——开源流计算框架

Storm简介

Storm特点：

• 整合性
• 简易API
• 可扩展性
• 容错性
• 可靠的消息处理
• 支持各种编程语言
• 快速部署
• 免费、开源

Storm主要术语

Streams： 流数据，是一个无限的Tuple序列。
Spouts： 每个Stream的源头抽象为Spouts，Spouts会从外部读取流数据并持续发出Tuple。
Bolts： Storm将Stream的状态转换过程抽象为Bolts。
Topology： Storm将Spouts和Bolts组成的网络抽象成Topology。最高层次的抽象概念，可以被提交到Storm集群执行。
Stream Groupings： 用于告知Topology如何在两个组件间进行Tuple传送。

Storm框架设计

Storm和Hadoop架构组件功能对应关系

	Hadoop	Storm
应用名称	Job	Topology
系统角色	JobTracker	Nimbus
系统角色	TasTracker	Supervisor
组件接口	Map/Reduce	Spot/Bolt

Storm工作流程

工作流程如下图所示：

Spark Streaming

Spark Streaming可整合多种输入数据源，如Kafka、Flume、HDFS，甚至是普通的TCP套接字。经处理后的数据可存储至文件系统、数据库，或显示在仪表盘里。

Spark Streaming的执行流程如图所示：

Spark Streaming与Storm的对比

Spark Streaming和Storm最大的区别在于，Spark Streaming无法实现毫秒级的流计算，而Storm可以实现毫秒级响应。

Storm的安装

关于Storm的安装可参考厦大数据库博客：Storm安装教程_CentOS6.4/Storm0.9.6