Storm学习笔记 - Storm初识

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*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。