storm学习篇（一）

小灰灰 2021-05-12 11:55 558阅读 0赞

• storm是一个分布式的、容错的实时计算系统，  
• Storm实时低延迟，主要有两个原因：  
     – storm进程是常驻内存的，不像hadoop里面是不断的启停的，就没有不断启停的开销。  
     – 第二点，Storm的数据是不经过磁盘的，都是在内存里面，处理完就没有了，处理完就没有了，数据的交换经过网络，这样就避免磁盘IO的开销，所以Storm可以很低的延迟。  
• Storm和hadoop的区别:  
    – 数据来源：HADOOP是HDFS上某个文件夹下的可能是成TB的数据，STORM是实时新增的某一笔数据  
    – 处理过程：HADOOP是分MAP阶段到REDUCE阶段，STORM是由用户定义处理流程，流程中可以包含多个步骤，每个步骤可以是数据源(SPOUT)或处理逻辑(BOLT)  
    – 是否结束：HADOOP最后是要结束的，STORM是没有结束状态，到最后一步时，就停在那，直到有新数据进入时再从头开始  
    – 处理速度：HADOOP是以处理HDFS上大量数据为目的，速度慢，STORM是只要处理新增的某一笔数据即可可以做到很快。  
    – 适用场景：HADOOP是在要处理一批数据时用的，不讲究时效性，要处理就提交一个JOB，STORM是要处理某一新增数据时用的，要讲时效性  
    – 与MQ对比：HADOOP没有对比性，STORM可以看作是有N个步骤，每个步骤处理完就向下一个MQ发送消息，监听这个MQ的消费者继续处理  
• 好的编程模型让开发者专注于业务逻辑  
• 不好的编程模型让开发者把时间花费在通信，处理异常等琐事上  
• 编程模型例子：  
     用hadoop的MapReduce和MPI做一个对比，在hadoop的MapReduce里面呢，它的编程模型里面呢，map和reduce，你只用去写map和reduce函数，以及一些简单的驱动，程序就能跑起来，你不用关心map和数据是怎么切分的，map和reduce是怎么传输的，reduce的数据是怎么写到hadoop的HDFS里面的，这些你都不用关心，看起来写mapreduce就是单机的代码，没有什么分布式的特点在里面啊，但是它运行的分布式框架来帮你做上述这些东西。  
    – 反过来我们看写MPI的程序就完全不一样，写MPI的时候你就会很明显的感觉到你在写一个并行分布式程序，你需要在很多地方显式的去调数据传输的接口，你还要显式的去调一些数据同步的接口，这样才能把MPI程序显式的给RUN起来，这就是编程模型不同导致的不同的开发体验，其实这不仅仅是开发容易不容易的问题，更主要的是一个开发效率的问题，其实更简单的程序更能写出健壮的程序，写mapreduce程序是很简单的，但是要写出一个稳定靠谱的MPI程序就难一些  
• 架构：  
    – Nimbus  
    – Supervisor  
    – Worker  
• 编程模型：  
    – DAG  
    – Spout  
    – Bolt  
• 数据传输：  
    – Zmq  
        • Zmq也是开源的消息传递的框架，虽然叫mq，但它并不是一个message queue，而是一个封装的比较好的  
    – Netty  
        • netty是NIO的网络框架，效率比较高。之所以有netty是storm在apache之后呢，zmq的license和storm的license不兼容的，bolt处理完消息后会告诉Spout。  
• 高可用性：  
    – 异常处理  
    – 消息可靠性保证机制  
• 可维护性：  
    – Storm有个UI可以看跑在上面的程序监控  
• 实时请求应答服务（同步），  
    – 实时请求应答服务（同步），往往不是一个很简单的操作，而且大量的操作，用DAG模型来提高请求处理速度  
    – DRPC  
    – 实时请求处理  
    – 例子：发送图片，或者图片地址，进行图片特征的提取

![70][]

这里DRPC Server的好处是什么呢？这样看起来就像是一个Server，经过Spout，然后经过Bolt，不是更麻烦了吗？DRPC Server其实适用于分布式，可以应用分布式处理这个单个请求，来加速处理的过程。  
• DRPCClient client = new DRPCClient("drpc-host", 3772);  
• String result = client.execute("reach","http://twitter.com");  
• 服务端由四部分组成：包括一个DRPC Server， 一个 DPRCSpout，一个Topology和一个ReturnResult。

![70 1][]  
• 流式处理（异步），不是说不快，而是不是等待结果  
• 逐条处理  
    – 例子：ETL，把关心的数据提取，标准格式入库，它的特点是我把数据给你了，不用再返回给我，这个是异步的  
• 另外一种类型呢，就是  
• 分析统计  
    – 例子：日志PV，UV统计，访问热点统计，这类数据之间是有关联的，比如按某些字段做聚合，加和，平均等等

![70 2][]  
• 最后写到Redis，Hbase，MySQL，或者其他的MQ里面去给其他的系统去消费。

![70 3][]  
• ShuffleGrouping("spout")就是从spout来订阅数据，fieldGrouping("split", new Fields("word"))实际上就是一个hash，同一  
个词有相同的hash，然后就会被hash到同一个WordCount的bolt里面，然后就可以进行计数。  
• 接下来两行呢是配置文件，然后是配置3个worker，接下来是通过Submitter提交Topology到Storm集群里面去。  
• 程序会编译打包，这段代码来自storm里面的starter的一段代码，这个代码怎么真正运行起来呢，就用storm jar 然后jar包的名，然后就是类的名字，和topology的名字，因为这里有个args\[0\]。  
• 这段代码很简单，首先呢，第一部分构造了一个DAG的有向无环图，然后生成配置，提交到Storm集群去。

![70 4][]

#    Cluster Summary（整个集群的） #

• 一个slot就是一个worker，一个worker里面是一个jvm，一个worker里面呢可以有多个executor，每一个executor就是执行线程，每一个executor上面执行一个或多个Task，一般来说默认是一个task。  
• Topology Summary（每个应用程序的）  
• 一个应用程序就是一个Topology，它有名字，还有ID，然后有个状态，ACTIVE就是正在运行，KILLED就是已经被杀掉了。

![70 5][]  
    – Topology actions就是可以对Topology采取一些操作，Deactivate就是暂停，Rebalance就是重新做一下balance，然后kill就是杀掉这个应用。  
    – 这个应用运行的到底怎么样呢，在Topology stats里面有个整体的统计，有10分钟，3小时，1天，还有所有的统计，这里面比较关键的呢，是Complete latency，它的意思就是一条数据从发出去到处理完花了多长时间，第二个比较关键的呢就是ACK，这个反映的是吞吐，前面的Complete latency反映的延迟。  
    – 在Spouts的统计信息里面呢，一个是spout的名字，和代码里面是对应的，第二个呢是这个spout它有多少个executor，然后呢它有多少个task，然后呢是它在一定时间内往外emit出多少数据，真正tranfer传输了多少数据，然后它latency延迟是多少，然后ACK处理了多少数据，后面还有错误的信息。  
    – Bolt也类似，通过这个UI页面可以实时观看这些统计信息，是非常有用的，可以知道哪个环节比较慢，哪些地方有没有什么瓶颈了，有瓶颈了是不是加一个并发来解决问题。  
• Spout中这里最关键的是一个nextTuple()，它是从外部取数据的源头，可以从DPRC取数据，可以从MQ，比如Kafka中取数据，然后给后面的bolt进行处理，然后这里wordcount没有那么复杂，就自己随机的生成了数据。  
• \_collector.emit(new Values(sentence), new Object());  
• 这个代码后面new Object()等于是随机的生成了一个message的ID，这个ID有什么用，后面会讲到，实际上它是消息可靠性保障的一部分。有了这个ID呢Storm就可以帮你去跟踪这条消息到底有没有被处理完，如果处理完了呢?  
• 如果处理完了，它就是调用一个ack告诉spout，我已经处理完了，这里ack方法里面仅仅是把id打印出来，因为这里id没有什么意义，仅仅是为了展示，相反，如果在一定时间内没有处理完，会调用fail告诉说消息处理失败了。

![70 6][]  
• 对于wordcount的示例，它是有两个blot，一个bolt是分词，一个bolt是计数，这里SplitSentence是展示它支持多语言的开发，其实这里代码调用的是python的splitsentence.py，使用的是ShellBolt这个组件  
• 那wordcount这个bolt是用java实现的，它的实现核心是亮点，一点是有execute这样一个函数，第二个是declareOutputFields这个函数，这两个函数的作用其实是很什么呢？最核心的其实是execute，execute的作用呢就是拿到输入的数据Tuple，然后再emit数据出去。  
• 以上就是在storm里面一个最简单的wordcount的例子，它的主函数的代码，它的提交的命令行代码，Spout是什么样的，Bolt是什么样的，提交到Storm集群之后是一个什么样的运行状况，在WebUI上面看到哪些核心的信息，这个在后面的应用开发里面都会大量的运用到。  
• Storm：进程、线程常驻运行，数据不进入磁盘，网络传递。  
• MapReduce：TB、PB级别数据设计的，一次的批处理作业。

![70 7][]  
• Storm：纯流式处理，处理数据单元是一个个Tuple。另外Storm专门为流式处理设计，它的数据传输模式更为简单，很多地方也更为高效。并不是不能做批处理，它也可以来做微批处理，来提高吞吐。  
• Spark Streaming：微批处理，一个批处理怎么做流式处理呢，它基于内存和DAG可以把处理任务做的很快，把RDD做的很小来用小的批处理来接近流式处理。

![70 8][]  
• 和其它如MPI系统相比

![70 9][]  
• 通过对比，更能了解Storm的一些特点：  
   – 首先，相对于Queue+Worker来说，它是一个通用的分布式系统，分布式系统的一些细节呢可以屏蔽掉，比如说水平扩展，容错，上层应用只需要关注自己的业务逻辑就可以了，这一点对应应用开发人员来说是非常重要的，不然的话业务逻辑会被底层的一些细节所打乱。  
   – 另外一个，Storm作为一个纯的流式处理系统，和mapreduce的差异相当大，一种称为流式处理，一种称为批处理，Storm是一个常驻运行的，它的消息收发是很高效的。  
• 和spark这种微批处理系统相比呢，Storm可以处理单条单条的消息。  
• 总的来说呢，Storm在设计之初呢，就被定义为分布式的流式处理系统，所以说大部分的流式计算需求都可以通过Storm很好的满足，Storm目前在稳定性方面也做的相当不错，对于实时流式计算来说是个非常不错的选择

[70]: /images/20210511/e9eaffff258449a593e1197c439b9623.png
[70 1]: /images/20210511/23674da51dbf4d83a620020cab2bd32b.png
[70 2]: /images/20210511/03c9d70543134738bc9bf92b2f3aca97.png
[70 3]: /images/20210511/6f64ad9513c443db993e31a81f5d5e00.png
[70 4]: /images/20210511/c5f58eaa03f14a3492ca4cee391abd94.png
[70 5]: /images/20210511/0370d49c8a364ce6aa038accd174c0e3.png
[70 6]: /images/20210511/f865fe9ee28c42e08a19c10dc08362fd.png
[70 7]: /images/20210511/6b8bc45bea214e6d8ff1f127092bd3ea.png
[70 8]: /images/20210511/110fe753a2634cce9331ece6bc569986.png
[70 9]: /images/20210511/8b870e0329604a05a2c62a0b75897a37.png