一脸懵逼学习Storm---（一个开源的分布式实时计算系统）
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：
（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：
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：
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？
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
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：
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：
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
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......
腾讯云开发者
