Apache Strom 实时计算系统

Apache Strom 实时计算系统

Storm简介

Apache Storm是一个分布式大数据实时计算系统，Storm设计用于在容错和水平可拓展方法中实时处理大数据，是一个数据流框架，可以使用Storm并行的对实时数据执行各种操作。相比于Hadoop的批量处理机制，Storm的实时处理机制更适合实时性要求比较高的场景。

Storm具有以下特点：

• 支撑各种实时类项目场景，实时处理消息以及更新数据库，基于最基础的实时计算语义，对实时数据进行计算。
• 高度的可伸缩性，如果需要扩容，直接添加机器即可，调整计算拓扑的并行度就可以了。无缝快速扩容。
• 高容错性，如果某台机器宕机了，重启后也不会影响作业，保证消息都不丢失。
• 高健壮性，从历史经验来看，storm比hadoop，spark等大数据类系统都健壮，因为元数据都保存在zookeeper中
• 对用户友好，核心语义非常简单，开发起来效率很高，并且支持多种变成语言。

Storm的集群架构

接下来看看Strom的集群架构，Strom的集群拓扑如下图：

各种组件的解释如下：

• Nimbus：Storm集群主节点，集群中的其他节点成为工作节点，主节点主要负责在工作节点之间分发数据，向工作节点分配任何和监视故障。
• Supervisor：工作节点叫做Supervisor,工作节点有多个工作进程，管理工作进程以完成由Numbus分配的任务。
• Worker：工作进程，工作进程会创建执行器，让执行器执行特定的任务，工作进程将有多个执行器。
• Executor：执行器是工作进程产生的单个线程，执行器运行多个任务。
• Task：任务执行实际的数据处理，主要输是运行一个计算。所以他是一个Spouts或者Bots
• Zookeeper framework：Strom利用Zookeeper维护共享数据之间的协调服务，依赖于Zookeeper来监控工作节点的状态。

Storm核心概念

Storm处理数据的过程是从一端读取实时数据的输入流，并将其通过一系列小处理待援，并在另一端输出信息。在Storm中有以下概念：

• Spouts：数据输入源，通过我们需要实现一个Spouts的接口，尝试在数据源读取数据，比如说在kafka中消费数据。
• Bolts：Bolts是逻辑处理单元，数据是Spouts中读取，然后会将数据传递到Bolts中处理，处理之后会把数据传递到另外的一个或多个的Bolts处理。
• Tuple: 在代码中的一条数据的数据结构，在Spouts和Bolts中传递。
• Steam：数据流的概念，是一个抽象的概念，可以想象为多个Tuple组成一个数据流
• Topplogy：拓扑，Spouts和多个Bolts连接在一起，组成一个拓扑。拓扑是有向图，定点是计算，边缘是数据流，简单的拓扑从Spouts开始，将数据发射到一个或多个Bolts处理，Bolts表示据欧最小处理逻辑的节点，Bolts的输出可以发射到另一个Bolts作为输入。Strom的工作主要是运行拓扑，开发Storm的工作其实也是开发拓扑。

一个简单拓扑的结构如下：

流分组

上面说到，数据可以从Spouts中流到Bolts，也可以从一个Bolts流到另一个Bolts，其中Spouts和Bolts都是独立运行在某一个Task中的，所以说Task的数量就是你Storm集群的并行度，而在这种情况下，怎么决定一个Bolts或者Spouts处理出来的结果，流向另一个Bolts的规则呢？此时需要使用到流分组。流分组是控制数据流向规则的一个东西。Storm中有4个内置的分组：

• 随机分组(Shuffle Grouping)，表示数据随机达到，负载均衡的效果。比如BoltA运行在task1/task2/task3中,而Bolt2运行在task4/task5/task6中，而BoltsA的数据要流向BoltB，则他们的流向为task1->task4/task2->task5/task3->task6
• 字段分组(Fields Grouping)，表示数据按照字段来区分，具有相同字符串的元组将会流向相同的Bolts中处理
• 全局分组(Global Grouping)，所有流可以分组并向前到一个Bolts。此分组将源的所有实例生成的元组发送到单个目标实例（具体来说，选择具有最低ID的工作程序）
• 所有分组(All Grouping)，所有分组将每个元组的单个副本发送到接收Bolts的所有实例。这种分组用于向Bolts发送信号。所有分组对于连接操作都很有用。相当于广播。
• None Grouping,不分组，目前等同于Shuffle Grouping。
• Direct Grouping直接分组，由Tuple的发射单元直接决定Tuple将发射给那个Bolts，一般情况下是由接收Tuple的Bolts决定接收哪个Bolts发射的Tuple。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taskid (OutputCollector.emit方法也会返回taskid)。

总结

本篇文章主要介绍了Storm的一些基本知识，包括集群架构，Storm的核心概念，以及并行度和流分组的相关概念。