Storm学习笔记

Storm学习笔记 - Storm初识

1. Strom是什么？

• Storm是一个开源免费的分布式计算框架，可以实时处理大量的数据流。

2. Storm的特点

• 高性能，低延迟。
• 分布式：可解决数据量大，单机搞不定的场景。
• 可扩展：随着业务的发展，数据量越来越大，系统可以水平扩展。
• 容错：单个节点挂了，不影响整个应用。

3. Storm与其他框架的比较

3.1 Storm和Hadoop的比较

• 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与Hadoop的编程模型相似。

3.2 Storm与Spark streaming的比较

• Spark streaming采用小批量的方式，提高了吞吐性能。
• 处理数据的粒度变大，导致Spark streaming的数据延时不如Storm，Spark streaming是秒级返回结果（与设置的batch间隔有关），Storm则是毫秒级。

4. Storm集群架构

• Nimbus：Storm集群的主节点，负责分发用户代码，指派给具体的Supervisor节点上的Worker节点，去运行Topology对应的组件（Spout/Bolt）的Task。
• Supervisor，Storm集群的从节点，负责管理运行在Supervisor节点上的每一个Worker的启动和终止。可以通过配置项决定在一个Supervisor上最大可以运行多少个Slot，每个Slot通过端口号来唯一标识，一个端口号对应一个Worker进程。
• Worker：运行处理具体组件逻辑的进程，Worker运行的进程只有两种，一种是Spout进程，一种是Bolt进程。
• Task：Worker中每一个Spout/bolt的线程称为一个Task。
• Zookeeper：用来协调Nimbus和Supervisor，如果Supervisor因故障出现问题而无法运行Topology，Nimbus会第一时间感知到，并重新分配Topology到其他可用的Supervisor上运行。

5. Storm编程模型

• Topology：Storm中运行的一个实时应用程序的名称。将 Spout、 Bolt整合起来的拓扑图。定义了 Spout和Bolt的结合关系、并发数量、配置等等。
• 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。
• 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。
• Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。
• Stream：Tuple的集合。表示数据的流向。

6. 总结

• 拓扑(Topology)：打包好的实时应用计算任务，同Hadoop的MapReduce任务相似。
• 元组(Tuple)：是Storm提供的一个轻量级的数据格式，可以用来包装你需要实际处理的数据。
• 流(Streams)：数据流(Stream)是Storm中对数据进行的抽象，它是时间上无界的tuple元组序列（无限的元组序列）｡
• Spout(喷嘴)：Storm中流的来源。Spout从外部数据源，如消息队列中读取元组数据并吐到拓扑里。
• Bolts：在拓扑中所有的计算逻辑都是在Bolt中实现的。
• 任务(Tasks)：每个Spout和Bolt会以多个任务(Task)的形式在集群上运行。
• 组件(Component)：是对Bolt和Spout的统称。
• 流分组(Stream groupings)：流分组定义了一个流在一个消费它的Bolt内的多个任务(task)之间如何分组。
• 可靠性(Reliability)：Storm保证了拓扑中Spout产生的每个元组都会被处理。
• Workers(工作进程)：拓扑以一个或多个Worker进程的方式运行。每个Worker进程是一个物理的Java虚拟机，执行拓扑的一部分任务。
• Executor(线程)：是1个被worker进程启动的单独线程。每个executor只会运行1个topology的1个component。
• Nimbus：Storm集群的Master节点，负责分发用户代码，指派给具体的Supervisor节点上的Worker节点，去运行Topology对应的组件（Spout/Bolt）的Task。
• Supervisor：Storm集群的从节点，负责管理运行在Supervisor节点上的每一个Worker进程的启动和终止。