python 流式计算框架_Jstorm是参考storm的实时流式计算框架

Jstorm是参考storm的实时流式计算框架，在网络IO、线程模型、资源调度、可用性及稳定性上做了持续改进，已被越来越多企业使用 作为commiter和user，我还是非常看好它的应用前景，下面是在团队内的分享介绍，更多请参考https://github.com/alibaba/jstorm 一、jstorm是什么 jstorm可以看作是storm的java增强版本，除了内核用纯java实现外，还包括了thrift、python、facet ui。从架构上看，其本质是一个基于zk的分布式调度系统

Jstorm主要应用场景有：

1.信息流处理，如聚合、分析等

2.持续计算，如实时数据统计、监控

3.分布式rpc调用

Jstorm在内核上对storm的改进有： (1)模型简化 (2)多维度资源调度 (3)网络通信层改造 (4)采样重构 (5)worker/task内部异步化处理 (6)classload、HA

模型简化将storm的三层管理模型简化为两层

jstorm中task直接对应了线程概念，而在storm中是task只是线程executor的一个执行逻辑单元

多维度资源调度 分为cpu、memory、net、disk四个维度，默认情况下： cpu slots = 机器核数 * 2 -1 memory slots = 机器物理内存 / 1024M net slots = min(cpu slots, memory slots)

网络通信层 采用了netty + disruptor 替换 zmq + blockingQueue

采样重构 a.定义了滚动时间窗口 b.优化缓存map性能 c.增量采样时间以及减少无谓数据

Worker/Task内部异步化 异步化和回调是流式框架最基本的两大特征，Jstorm在task的计算中将nextTuple和ack/fail的逻辑分离开来，并在worker中采用单独线程负责流入、流出数据的反序列化及序列化工作

有关jstorm实现的几个关键流程，有兴趣的可以参考源码 1.Nimbus的启动

2.supervisor的启动

worker内部结构

worker的启动需要完成以下几件事： a.读取配置文件，启动进程 b.初始化tuple接收队列和发送队列 c.打开端口，启动rpc服务 d.创建context结构，> e.触发各种timer,refresh/reconnection/heartbeat...

task的工作包括： a.创建内部队列，bind connection b.反射component拿到taskObj，创建具体的spout/bolt executor c.反序列化tuple数据，执行处理逻辑 d.做stats，heartbeat等

jstorm在数据的完整性和准确性上分别依赖了acker和事务机制 acker本质是独立的bolt，input是fieldGrouping，output是directGrouping； 每个bolt有两个output stream(ACKER_ACK_STREAM_ID/ACKER_ACK_FAIL_STREAM_ID) 每个spout有一个output stream(ACKER_INIT_STREAM_ID),以及两个input stream(ACKER_ACK_STREAM_ID/ACKER_ACK_FAIL_STREAM_ID) Spout 发送给acker 的value 发送下一级bolt 的value Bolt 下一级bolt需要ack发送给下一级bolt 为发送给acker的value为 下一级bolt不需要ack发送给下一级bolt 为空发送给acker为

事务：批处理+全局唯一递增id+两阶段提交 在发送tuple的时候带上tid来保证“只有一次”的原语，下游逻辑根据tid是否next tid来判断是否需要处理。为了提高效率，会将多个tuple组装成一批赋予一个tid，并用pipeline方式执行processing和commit阶段，其中processing可以并发执行，而commit具有严格的强顺序性。接口coordinator，commitor中做了状态管理、事务协调、错误检查等工作

另外一个用得最多的高级特性就是trident，它对bolt进行了封装，提供了如joins、aggregations、grouping、filters、function等多种高级数据处理能力

最后，谈谈有关jstorm的运维开发 (1)配置优先级：代码 > jstorm.yaml > default.yaml (2)stream流对比： a.fieldsGrouping b.globalGrouping - target componet的第一个task c.shuffleGrouping - 自定义random，更平均 d.noneGrouping - 调用random e.allGrouping - target component所有task f.directGrouping - 指定目标task g.customGrouping - 接口customStreamGrouping (3)jvm调优，优先考虑新生代，然后开启碎片整理 (4)同一worker内的task，开启定向调度避免网络开销 (5)优雅关闭，reblance或kill前先deactive，等待msg_timeout进行数据清理 (6)其它，hooks、queue-size、topology.max.spout.pending等