实时流处理系统的用例

本文阐述了为什么比起Hadoop之类的知名技术，类似Apache Storm这样的系统更加有用。

让我们以经典的笔记本品牌实时情感分析（SENTIMENT ANALYSIS）为例，在进行观点分析时，处理流程应当如下图所示：

• 从类似Twitter、Facebook、电子商务网站之类的不同来源收集数据。
• 以一些“高吞吐量”这样的关键字为基础，我们筛选出了一些数据。
• 为不同来源的各条信息生成情感分析。
• 为存储处理的数据设立存储机制。

现在的问题在于：是否能够通过大数据系统来解决，请使用Hadoop来执行下列处理：

如果我们运行Hive Query、Pig Script或MapReduce的话，由于必须从HDFS（从硬盘读取）中读取数据，整个处理过程需要耗费数小时才能进行处理，因此理论上来说是无法实时执行数据处理的（它们遵循静态数据原则）。

由于Hadoop设计时就是为了执行批处理，而且需要花费数小时才能生成结果，因此针对Hadoop是否能够执行实时处理的问题，答案是否定的。

总结一下，由于所使用的是基于批处理的方式，Hadoop无法解决实时问题。

有很多需要我们执行实时数据处理的用例，比如：

• 反欺诈
• 情绪分析
• 日志监控
• 处理客户的行为

那么现在我们如何处理这类特殊的问题呢？我们需要使用一些实时的流数据机制（一切都在内存中完成，遵循动态数据原则）。

实时处理的典型流程如下图：

不过想要使用这种方法，需要先解决下面这些问题：

1. 数据流：数据需要在数据管道（Data Pipeline）中以流数据的形式发送。
2. 容错：如果有某个进程出错，那么故障转移机制是什么样的呢？
3. 扩展：如果数据规模增长的话，能否很容易地扩展集群以增加处理数据的性能？
4. 确保信息处理：是否能确保信息得到处理？
5. 编程语言不可知论：是否会是独立的编程？

有一些类似Apache Storm之类的实时数据流机制能够帮助我们解决这些问题。现在我们试着回答上面的问题，看使用Apache Storm能否得出答案。

数据流

数据以元组的形式发送。

扩展

Storm是一个分布式平台，允许用户将更多节点添加到Storm集群运行环境中，以增加应用的吞吐量。

容错

在Storm中，工作是通过集群中的worker来执行的。如果有一个worker宕掉，Storm就会重启该worker，而如果worker所在的节点也宕掉，则Storm就会重启集群中一些其他节点上的worker。

确保信息处理

Storm如果该元组在处理时出现故障，Storm会重启出错的元组。

程序语言不可知论

可以在任何编程语言中编写。即使Storm平台运行在JVM之上，运行在上面的应用也可以用任何编程语言编写，可以使用标准的I/O来读写。

希望本文有助于澄清：利用Apache Storm之类的工具处理大数据问题时，在实时流数据中的使用问题。