码迷,mamicode.com
首页 > 其他好文 > 详细

一脸懵逼学习Storm---(一个开源的分布式实时计算系统)

时间:2017-10-31 17:41:40      阅读:176      评论:0      收藏:0      [点我收藏+]

标签:传递   使用场景   基本   容错   架构   进程组   它的   rpc   put   

1:什么是Storm?
  Storm是一个开源的分布式实时计算系统,可以简单、可靠的处理大量的数据流。被称作“实时的hadoop”。Storm有很多使用场景:如实时分析,在线机器学习,持续计算, 分布式RPC,ETL等等。Storm支持水平扩展,具有高容错性,保证每个消息都会得到处理,而且处理速度很快(在一个小集群中,每个结点每秒可以处理 数以百万计的消息)。Storm的部署和运维都很便捷,而且更为重要的是可以使用任意编程语言来开发应用。

2:Storm的特点:
    (1)程模型简单
    在大数据处理方面相信大家对hadoop已经耳熟能详,基于Google Map/Reduce来实现的Hadoop为开发者提供了map、reduce原语,使并行批处理程序变得非常地简单和优美。
    同样,Storm也为大数据 的实时计算提供了一些简单优美的原语,这大大降低了开发并行实时处理的任务的复杂性,帮助你快速、高效的开发应用。
  (2)可扩展
    在Storm集群中真正运行topology的主要有三个实体:工作进程、线程和任务。Storm集群中的每台机器上都可以运行多个工作进程,每个 工作进程又可创建多个线程,每个线程可以执行多个任务,任务是真正进行数据处理的实体,我们开发的spout、bolt就是作为一个或者多个任务的方式执 行的。
    因此,计算任务在多个线程、进程和服务器之间并行进行,支持灵活的水平扩展。
  (3)高可靠性
    Storm可以保证spout发出的每条消息都能被“完全处理”,这也是直接区别于其他实时系统的地方,如S4。
    spout发出的消息后续可能会触发产生成千上万条消息,可以形象的理解为一棵消息树,其中spout发出的消息为树根,Storm会跟踪 这棵消息树的处理情况,只有当这棵消息树中的所有消息都被处理了,Storm才会认为spout发出的这个消息已经被“完全处理”。如果这棵消息树中的任 何一个消息处理失败了,或者整棵消息树在限定的时间内没有“完全处理”,那么spout发出的消息就会重发。

  (4)高容错性
    如果在消息处理过程中出了一些异常,Storm会重新安排这个出问题的处理单元。Storm保证一个处理单元永远运行(除非你显式杀掉这个处理单元)。
    当然,如果处理单元中存储了中间状态,那么当处理单元重新被Storm启动的时候,需要应用自己处理中间状态的恢复。
  (5)Storm集群和Hadoop集群表面上看很类似。Hadoop上运行的是MapReduce jobs,而在Storm上运行的是拓扑(topology);
      Hadoop擅长于分布式离线批处理,而Storm设计为支持分布式实时计算;
      Hadoop新的spark组件提供了在hadoop平台上运行storm的可能性;

3:Storm的基本概念:

在深入理解Storm之前,需要了解一些概念:
  Topologies : 拓扑,也俗称一个任务
  Spouts : 拓扑的消息源
  Bolts : 拓扑的处理逻辑单元
  tuple:消息元组
  Streams : 流
  Stream groupings :流的分组策略
  Tasks : 任务处理单元
  Executor :工作线程
  Workers :工作进程
  Configuration : topology的配置

4:Storm与Hadoop的对比:
  (1)Topology 与 Mapreduce :
    一个关键的区别是: 一个MapReduce job最终会结束, 而一个topology永远会运行(除非你手动kill掉)
  (2)Nimbus 与 ResourManager:
    在Storm的集群里面有两种节点: 控制节点(master node)和工作节点(worker node)。控制节点上面运行一个叫Nimbus后台程序,它的作用类似Hadoop里面的JobTracker。Nimbus负责在集群里面分发代码,分配计算任务给机器, 并且监控状态。
  (3)Supervisor (worker进程)与NodeManager(YarnChild):
    每一个工作节点上面运行一个叫做Supervisor的节点。Supervisor会监听分配给它那台机器的工作,根据需要启动/关闭工作进程。每一个工作进程执行一个topology的一个子集;一个运行的topology由运行在很多机器上的很多工作进程组成。

5:Storm 体系架构:
  (1)Nimbus和Supervisor之间的所有协调工作都是通过Zookeeper集群完成。:
  (2)Nimbus进程和Supervisor进程都是快速失败(fail-fast)和无状态的。所有的状态要么在zookeeper里面, 要么在本地磁盘上。
  (3)这也就意味着你可以用kill -9来杀死Nimbus和Supervisor进程, 然后再重启它们,就好像什么都没有发生过。这个设计使得Storm异常的稳定。

  5.1:Storm中的Nimbus和Supervisor:
技术分享

  5.2:Storm中的Topologies:
     一个topology是spouts和bolts组成的图, 通过stream groupings将图中的spouts和bolts连接起来,如下图:
技术分享

  5.3:Storm中的Stream
    消息流stream是storm里的关键抽象;
    一个消息流是一个没有边界的tuple序列, 而这些tuple序列会以一种分布式的方式并行地创建和处理;
    通过对stream中tuple序列中每个字段命名来定义stream;
    在默认的情况下,tuple的字段类型可以是:integer,long,short, byte,string,double,float,boolean和byte array;
    可以自定义类型(只要实现相应的序列化器)。
技术分享

  5.4:Storm中的Spouts
    消息源spout是Storm里面一个topology里面的消息生产者;
    一般来说消息源会从一个外部源读取数据并且向topology里面发出消息:tuple;
    Spouts可以是可靠的也可以是不可靠的:如果这个tuple没有被storm成功处理,可靠的消息源spouts可以重新发射一个tuple, 但是不可靠的消息源spouts一旦发出一个tuple就不能重发了;
    消息源可以发射多条消息流stream:
         使用OutputFieldsDeclarer.declareStream来定义多个stream,
            然后使用SpoutOutputCollector来发射指定的stream。
  5.4:Storm中的Bolts
    所有的消息处理逻辑被封装在bolts里面;
    Bolts可以做很多事情:过滤,聚合,查询数据库等等。
    Bolts可以简单的做消息流的传递,也可以通过多级Bolts的组合来完成复杂的消息流处理;比如求TopN、聚合操作等(如果要把这个过程做得更具有扩展性那么可能需要更多的步骤)。
    Bolts可以发射多条消息流:
         使用OutputFieldsDeclarer.declareStream定义stream;
         使用OutputCollector.emit来选择要发射的stream;

    Bolts的主要方法是execute,:
         它以一个tuple作为输入,使用OutputCollector来发射tuple;
         通过调用OutputCollector的ack方法,以通知这个tuple的发射者spout;

    Bolts一般的流程:
      处理一个输入tuple,  发射0个或者多个tuple, 然后调用ack通知storm自己已经处理过这个tuple了;
           storm提供了一个IBasicBolt会自动调用ack。

  5.5:Storm中的Stream groupings
    定义一个topology的关键一步是定义每个bolt接收什么样的流作为输入;

    stream grouping就是用来定义一个stream应该如何分配数据给bolts;

    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。
  5.6:Storm中的Workers
    一个topology可能会在一个或者多个worker(工作进程)里面执行;

    每个worker是一个物理JVM并且执行整个topology的一部分;

    比如,对于并行度是300的topology来说,如果我们使用50个工作进程来执行,那么每个工作进程会处理其中的6个tasks;
    Storm会尽量均匀的工作分配给所有的worker;
  5.7:Storm中的Tasks
    每一个spout和bolt会被当作很多task在整个集群里执行

    每一个executor对应到一个线程,在这个线程上运行多个task

    stream grouping则是定义怎么从一堆task发射tuple到另外一堆task

    可以调用TopologyBuilder类的setSpout和setBolt来设置并行度(也就是有多少个task)

技术分享

 

一脸懵逼学习Storm---(一个开源的分布式实时计算系统)

标签:传递   使用场景   基本   容错   架构   进程组   它的   rpc   put   

原文地址:http://www.cnblogs.com/biehongli/p/7761608.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!