前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >一脸懵逼学习Storm---(一个开源的分布式实时计算系统)

一脸懵逼学习Storm---(一个开源的分布式实时计算系统)

作者头像
别先生
发布2018-01-02 16:07:41
1.6K0
发布2018-01-02 16:07:41
举报
文章被收录于专栏:别先生

Storm的官方网址:http://storm.apache.org/index.html

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:

代码语言:javascript
复制
(1)编程模型简单
   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:

代码语言:javascript
复制
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:

代码语言:javascript
复制
(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:

代码语言:javascript
复制
(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:

  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:

  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)。

  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)

6:离线计算是什么?流式计算是什么?

代码语言:javascript
复制
1:离线计算是什么?
    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、azkaban任务调度
    1,hivesql
    2、调度平台
    3、Hadoop集群运维
    4、数据清洗(脚本语言)
    5、元数据管理
    6、数据稽查
    7、数据仓库模型架构

2:流式计算是什么
    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)。
    一句话总结:将源源不断产生的数据实时收集并实时计算,尽可能快的得到计算结果

3:离线计算与实时计算的区别
    最大的区别:实时收集、实时计算、实时展示

4:Storm是什么?
    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。提供简单容易理解的接口,便于开发。
    海量数据?数据类型很多,产生数据的终端很多,处理数据能力增强

5:Storm与Hadoop的区别
    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;Hadoop的数据保存在磁盘中。
    Storm与Hadoop的编程模型相似
代码语言:javascript
复制
Job:任务名称
JobTracker:项目经理
TaskTracker:开发组长、产品经理
Child:负责开发的人员
Mapper/Reduce:开发人员中的两种角色,一种是服务器开发、一种是客户端开发

Topology:任务名称
Nimbus:项目经理
Supervisor:开组长、产品经理
Worker:开人员
Spout/Bolt:开人员中的两种角色,一种是服务器开发、一种是客户端开发

 7、Storm核心组件:

代码语言:javascript
复制
Nimbus:负责资源分配和任务调度。Nimbus任务分配,对任务监控。
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。Supervisor当前物理机器上的管理者,接受Nimbus分配的任务,启动自己的Worker,Worker数量是根据端口号来的。
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。Worker执行具体任务的组件,任务类型有两种,分别是Spout任务,bolt任务,一个worker中可能同时存在多个spout任务和多个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是Spout任务,bolt任务,每个Task属于某个组件并发度中的一个。一个Task本质是一个线程。默认情况下,executor=thread=task并发度:一个类型的任务,被几个线程同时执行。

8、Storm编程模型:

代码语言:javascript
复制
Topology:Storm中运行的一个实时应用程序的名称。(拓扑)
Spout: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。spout获取外部数据源。
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。bolt业务逻辑处理节点,可以存在多个,将结果数据保存到redis上面,bolt是并发执行的,多个线程在同时做意见事情。
Tuple:一次消息传递的基本单元,理解为一组消息就是一个Tuple。tuple消息发送的最小单元,是一个tuple对象,对象有一个list。
Stream:表示数据的流向。streamGroup数据分组策略。一个storm程序可以获取多个数据源。一个topology的数据是自己独有的,和其他的topology没有关系。

9:Storm架构和编程模型总结

代码语言:javascript
复制
1、编程模型
    DataSource:外部数据源
    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
    Bolt: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: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。
    StreamGrouping:数据分组策略
        7种:shuffleGrouping(Random函数),Non Grouping(Random函数),FieldGrouping(Hash取模)、Local or ShuffleGrouping 本地或随机,优先本地。
        
2、并发度
    用户指定的一个任务,可以被多个线程执行,并发度的数量等于线程的数量。一个任务的多个线程,会被运行在多个Worker(JVM)上,有一种类似于平均算法的负载均衡策略。尽可能减少网络IO,和Hadoop中的MapReduce中的本地计算的道理一样。
    
    
3、架构
    Nimbus:任务分配
    Supervisor:接受任务,并启动worker。worker的数量根据端口号来的。
    Worker:执行任务的具体组件(其实就是一个JVM),可以执行两种类型的任务,Spout任务或者bolt任务。
    Task:Task=线程=executor。 一个Task属于一个Spout或者Bolt并发任务。
    Zookeeper:保存任务分配的信息、心跳信息、元数据信息。
    
4、Worker与topology
    一个worker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。

待续......

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-10-31 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档