Storm 系列（一）—— Storm和流处理简介

一、storm

1.1 简介

storm 是一个开源的分布式实时计算框架，可以以简单、可靠的方式进行大数据流的处理。通常用于实时分析，在线机器学习、持续计算、分布式 rpc、etl 等场景。storm 具有以下特点：

• 支持水平横向扩展；
• 具有高容错性，通过 ack 机制每个消息都不丢失；
• 处理速度非常快，每个节点每秒能处理超过一百万个 tuples ；
• 易于设置和操作，并可以与任何编程语言一起使用；
• 支持本地模式运行，对于开发人员来说非常友好；
• 支持图形化管理界面。

1.2 storm 与 hadoop对比

hadoop 采用 mapreduce 处理数据，而 mapreduce 主要是对数据进行批处理，这使得 hadoop 更适合于海量数据离线处理的场景。而 strom 的设计目标是对数据进行实时计算，这使得其更适合实时数据分析的场景。

1.3 storm 与 spark streaming对比

spark streaming 并不是真正意义上的流处理框架。 spark streaming 接收实时输入的数据流，并将数据拆分为一系列批次，然后进行微批处理。只不过 spark streaming 能够将数据流进行极小粒度的拆分，使得其能够得到接近于流处理的效果，但其本质上还是批处理（或微批处理）。

1.4 strom 与 flink对比

storm 和 flink 都是真正意义上的实时计算框架。其对比如下：

	storm	flink
状态管理	无状态	有状态
窗口支持	对事件窗口支持较弱，缓存整个窗口的所有数据，窗口结束时一起计算	窗口支持较为完善，自带一些窗口聚合方法， 并且会自动管理窗口状态
消息投递	at most once at least once	at most once at least once exactly once
容错方式	ack 机制：对每个消息进行全链路跟踪，失败或者超时时候进行重发	检查点机制：通过分布式一致性快照机制， 对数据流和算子状态进行保存。在发生错误时，使系统能够进行回滚。

注 : 对于消息投递，一般有以下三种方案：

• at most once : 保证每个消息会被投递 0 次或者 1 次，在这种机制下消息很有可能会丢失；
• at least once : 保证了每个消息会被默认投递多次，至少保证有一次被成功接收，信息可能有重复，但是不会丢失；
• exactly once : 每个消息对于接收者而言正好被接收一次，保证即不会丢失也不会重复。

二、流处理

2.1 静态数据处理

在流处理之前，数据通常存储在数据库或文件系统中，应用程序根据需要查询或计算数据，这就是传统的静态数据处理架构。hadoop 采用 hdfs 进行数据存储，采用 mapreduce 进行数据查询或分析，这就是典型的静态数据处理架构。

2.2 流处理

而流处理则是直接对运动中数据的处理，在接收数据的同时直接计算数据。实际上，在真实世界中的大多数数据都是连续的流，如传感器数据，网站用户活动数据，金融交易数据等等 ，所有这些数据都是随着时间的推移而源源不断地产生。

接收和发送数据流并执行应用程序或分析逻辑的系统称为流处理器。流处理器的基本职责是确保数据有效流动，同时具备可扩展性和容错能力，storm 和 flink 就是其代表性的实现。

流处理带来了很多优点：

• 可以立即对数据做出反应：降低了数据的滞后性，使得数据更具有时效性，更能反映对未来的预期；

• 可以处理更大的数据量：直接处理数据流，并且只保留数据中有意义的子集，然后将其传送到下一个处理单元，通过逐级过滤数据，从而降低实际需要处理的数据量；

• 更贴近现实的数据模型：在实际的环境中，一切数据都是持续变化的，想要通过历史数据推断未来的趋势，必须保证数据的不断输入和模型的持续修正，典型的就是金融市场、股票市场，流处理能更好地处理这些场景下对数据连续性和及时性的需求；

• 分散和分离基础设施：流式处理减少了对大型数据库的需求。每个流处理程序通过流处理框架维护了自己的数据和状态，这使其更适合于当下最流行的微服务架构。

参考资料

1. what is stream processing?
2. 流计算框架 flink 与 storm 的性能对比

更多大数据系列文章可以参见 github 开源项目： 大数据入门指南