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）