Hadoop常用于離線的復雜的大數(shù)據(jù)處理，Spark常用于離線的快速(輕量級)的大數(shù)據(jù)處理， Storm常用于在線的實時的大數(shù)據(jù)處理；這句話一定程度上反應了三套大數(shù)據(jù)平臺的鮮明特征。Storm是一套實時、在線、分布式的大數(shù)據(jù)處理平臺。

1）Nimbus和Supervisor

Storm集群中包含兩類節(jié)點：主控節(jié)點（Master Node）和工作節(jié)點（Work Node），角色定位如下：

主控節(jié)點（MasterNode）上運行一個被稱為Nimbus的后臺程序，它負責在Storm集群內(nèi)分發(fā)代碼，分配任務給工作機器，并且負責監(jiān)控集群運行狀態(tài)。Nimbus的作用類似于Hadoop中JobTracker的角色。

每個工作節(jié)點（WorkNode）上運行一個被稱為Supervisor的后臺程序。Supervisor負責監(jiān)聽從Nimbus分配給它執(zhí)行的任務，據(jù)此啟動或停止執(zhí)行任務的工作進程。每一個工作進程執(zhí)行一個Topology的子集；一個運行中的Topology由分布在不同工作節(jié)點上的多個工作進程組成。

Nimbus和Supervisor節(jié)點之間所有的協(xié)調(diào)工作是通過Zookeeper集群來實現(xiàn)的。此外，Nimbus和Supervisor進程都是快速失敗（fail-fast)和無狀態(tài)（stateless）的；Storm集群所有的狀態(tài)要么在Zookeeper集群中，要么存儲在本地磁盤上。這意味著你可以用kill -9來殺死Nimbus和Supervisor進程，它們在重啟后可以繼續(xù)工作。這個設計使得Storm集群擁有不可思議的穩(wěn)定性。

2）Topology

一個topology是spouts和bolts組成的圖， 通過streamgroupings將圖中的spouts和bolts連接起來，如下圖：

一個topology會一直運行直到你手動kill掉，Storm自動重新分配執(zhí)行失敗的任務， 并且Storm可以保證你不會有數(shù)據(jù)丟失（如果開啟了高可靠性的話）。如果一些機器意外停機它上面的所有任務會被轉(zhuǎn)移到其他機器上。

運行一個topology很簡單。首先，把你所有的代碼以及所依賴的jar打進一個jar包。然后運行類似下面的這個命令：

storm jarall-my-code.jar backtype.storm.MyTopology arg1 arg2

這個命令會運行主類: backtype.strom.MyTopology, 參數(shù)是arg1, arg2。這個類的main函數(shù)定義這個topology并且把它提交給Nimbus。storm jar負責連接到Nimbus并且上傳jar包。Topology的定義是一個Thrift結(jié)構(gòu)，并且Nimbus就是一個Thrift服務，可以提交由任何語言創(chuàng)建的topology。

3）Stream

消息流stream是storm里的關鍵抽象。一個消息流是一個沒有邊界的tuple序列， 而這些tuple序列會以一種分布式的方式并行地創(chuàng)建和處理。通過對stream中tuple序列中每個字段命名來定義stream。在默認的情況下，tuple的字段類型可以是：integer，long，short， byte，string，double，float，boolean和bytearray。你也可以自定義類型（只要實現(xiàn)相應的序列化器）。

每個消息流在定義的時候會被分配給一個id，因為單向消息流使用的相當普遍， OutputFieldsDeclarer定義了一些方法讓你可以定義一個stream而不用指定這個id。在這種情況下這個stream會分配個值為‘default’默認的id 。

Storm提供的最基本的處理stream的原語是spout和bolt。你可以實現(xiàn)spout和bolt提供的接口來處理你的業(yè)務邏輯。

4）Spouts

消息源spout是Storm里面一個topology里面的消息生產(chǎn)者。一般來說消息源會從一個外部源讀取數(shù)據(jù)并且向topology里面發(fā)出消息：tuple。Spout可以是可靠的也可以是不可靠的。如果這個tuple沒有被storm成功處理，可靠的消息源spouts可以重新發(fā)射一個tuple， 但是不可靠的消息源spouts一旦發(fā)出一個tuple就不能重發(fā)了。

消息源可以發(fā)射多條消息流stream。使用OutputFieldsDeclarer.declareStream來定義多個stream，然后使用SpoutOutputCollector來發(fā)射指定的stream。

Spout類里面最重要的方法是nextTuple。要么發(fā)射一個新的tuple到topology里面或者簡單的返回如果已經(jīng)沒有新的tuple。要注意的是nextTuple方法不能阻塞，因為storm在同一個線程上面調(diào)用所有消息源spout的方法。

另外兩個比較重要的spout方法是ack和fail。storm在檢測到一個tuple被整個topology成功處理的時候調(diào)用ack，否則調(diào)用fail。storm只對可靠的spout調(diào)用ack和fail。

5）Bolts

所有的消息處理邏輯被封裝在bolts里面。Bolts可以做很多事情：過濾，聚合，查詢數(shù)據(jù)庫等等。

Bolts可以簡單的做消息流的傳遞。復雜的消息流處理往往需要很多步驟，從而也就需要經(jīng)過很多bolts。比如算出一堆圖片里面被轉(zhuǎn)發(fā)最多的圖片就至少需要兩步：第一步算出每個圖片的轉(zhuǎn)發(fā)數(shù)量。第二步找出轉(zhuǎn)發(fā)最多的前10個圖片。（如果要把這個過程做得更具有擴展性那么可能需要更多的步驟）。

Bolts可以發(fā)射多條消息流， 使用OutputFieldsDeclarer.declareStream定義stream，使用OutputCollector.emit來選擇要發(fā)射的stream。

Bolts的主要方法是execute,它以一個tuple作為輸入，bolts使用OutputCollector來發(fā)射tuple，bolts必須要為它處理的每一個tuple調(diào)用OutputCollector的ack方法，以通知Storm這個tuple被處理完成了，從而通知這個tuple的發(fā)射者spouts。 一般的流程是： bolts處理一個輸入tuple,? 發(fā)射0個或者多個tuple, 然后調(diào)用ack通知storm自己已經(jīng)處理過這個tuple了。storm提供了一個IBasicBolt會自動調(diào)用ack。

6）Stream groupings

義一個topology的其中一步是定義每個bolt接收什么樣的流作為輸入。stream grouping就是用來定義一個stream應該如何分配數(shù)據(jù)給bolts上面的多個tasks。

Storm里面有7種類型的stream grouping

ü?? ShuffleGrouping: 隨機分組，隨機派發(fā)stream里面的tuple，保證每個bolt接收到的tuple數(shù)目大致相同。

ü?? FieldsGrouping：按字段分組，比如按userid來分組， 具有同樣userid的tuple會被分到相同的Bolts里的一個task， 而不同的userid則會被分配到不同的bolts里的task。

ü?? All Grouping：廣播發(fā)送，對于每一個tuple，所有的bolts都會收到。

ü?? GlobalGrouping：全局分組，這個tuple被分配到storm中的一個bolt的其中一個task。再具體一點就是分配給id值最低的那個task。

ü?? Non Grouping：不分組，這個分組的意思是說stream不關心到底誰會收到它的tuple。目前這種分組和Shuffle grouping是一樣的效果， 有一點不同的是storm會把這個bolt放到這個bolt的訂閱者同一個線程里面去執(zhí)行。

ü?? DirectGrouping： 直接分組，這是一種比較特別的分組方法，用這種分組意味著消息的發(fā)送者指定由消息接收者的哪個task處理這個消息。 只有被聲明為Direct Stream的消息流可以聲明這種分組方法。而且這種消息tuple必須使用emitDirect方法來發(fā)射。消息處理者可以通過TopologyContext來獲取處理它的消息的task的id （OutputCollector.emit方法也會返回task的id）。

ü?? Local orshuffle grouping：如果目標bolt有一個或者多個task在同一個工作進程中，tuple將會被隨機發(fā)生給這些tasks。否則，和普通的Shuffle Grouping行為一致。

7）Tasks和Workers

每一個spout和bolt會被當作很多task在整個集群里執(zhí)行。每一個executor對應到一個線程，在這個線程上運行多個task，而stream grouping則是定義怎么從一堆task發(fā)射tuple到另外一堆task。你可以調(diào)用TopologyBuilder類的setSpout和setBolt來設置并行度（也就是有多少個task）。

一個topology可能會在一個或者多個worker（工作進程）里面執(zhí)行，每個worker是一個物理JVM并且執(zhí)行整個topology的一部分。比如，對于并行度是300的topology來說，如果我們使用50個工作進程來執(zhí)行，那么每個工作進程會處理其中的6個tasks。Storm會盡量均勻的工作分配給所有的worker。

8）Configuration

Storm里面有一堆參數(shù)可以配置來調(diào)整Nimbus, Supervisor以及正在運行的topology的行為，一些配置是系統(tǒng)級別的，一些配置是topology級別的。default.yaml里面有所有的默認配置。你可以通過定義個storm.yaml在你的classpath里來覆蓋這些默認配置。并且你也可以在代碼里面設置一些topology相關的配置信息（使用StormSubmitter）。

總結(jié)

以上是生活随笔為你收集整理的在线实时大数据平台Storm集群组件学习的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。