FW:分布式实时计算storm 原理…

http://my.oschina.net/leejun2005/blog/147607?from=20130804

storm 原理简介及单机版安装指南

141人收藏此文章, 我要收藏发表于12天前(2013-07-2804:44) , 已有4101次阅读
，共2个评论

目录：[ - ]
1、准备工作

2、一个Storm集群的基本组件

3、Topologies

4、Stream

5、数据模型(Data Model)

6、一个简单的Topology

7、流分组策略(Stream grouping)

8、使用别的语言来定义Bolt

9、可靠的消息处理10、单机版安装指南

本文翻译自： https://github.com/nathanmarz/storm/wiki/Tutorial

Storm是一个分布式的、高容错的实时计算系统。

Storm对于实时计算的的意义相当于Hadoop对于批处理的意义。Hadoop为我们提供了Map和Reduce原语，使我们对数据进行批处理变的非常的简单和优美。同样，Storm也对数据的实时计算提供了简单Spout和Bolt原语。

Storm适用的场景：
1、流数据处理：Storm可以用来用来处理源源不断的消息，并将处理之后的结果保存到持久化介质中。

2、分布式RPC：由于Storm的处理组件都是分布式的，而且处理延迟都极低，所以可以Storm可以做为一个通用的分布式RPC框架来使用。

在这个教程里面我们将学习如何创建Topologies,
并且把topologies部署到storm的集群里面去。Java将是我们主要的示范语言，
个别例子会使用python以演示storm的多语言特性。

1、准备工作

这个教程使用storm-starter项目里面的例子。我推荐你们下载这个项目的代码并且跟着教程一起做。先读一下：配置storm开发环境和新建一个strom项目这两篇文章把你的机器设置好。

2、一个Storm集群的基本组件

storm的集群表面上看和hadoop的集群非常像。但是在Hadoop上面你运行的是MapReduce的Job,
而在Storm上面你运行的是Topology。它们是非常不一样的 — 一个关键的区别是：
一个MapReduce Job最终会结束，
而一个Topology运永远运行（除非你显式的杀掉他）。

在Storm的集群里面有两种节点： 控制节点(master node)和工作节点(worker
node)。控制节点上面运行一个后台程序： Nimbus，
它的作用类似Hadoop里面的JobTracker。Nimbus负责在集群里面分布代码，分配工作给机器， 并且监控状态。

每一个工作节点上面运行一个叫做Supervisor的节点（类似
TaskTracker）。Supervisor会监听分配给它那台机器的工作，根据需要
启动/关闭工作进程。每一个工作进程执行一个Topology（类似
Job）的一个子集；一个运行的Topology由运行在很多机器上的很多工作进程 Worker（类似
Child）组成。


原理简介及单机版安装指南（1）" /> storm
topology结构


原理简介及单机版安装指南（1）" /> Storm VS MapReduce

Nimbus和Supervisor之间的所有协调工作都是通过一个Zookeeper集群来完成。并且，nimbus进程和supervisor都是快速失败（fail-fast)和无状态的。所有的状态要么在Zookeeper里面，
要么在本地磁盘上。这也就意味着你可以用kill -9来杀死nimbus和supervisor进程，
然后再重启它们，它们可以继续工作， 就好像什么都没有发生过似的。这个设计使得storm不可思议的稳定。

3、Topologies

为了在storm上面做实时计算，
你要去建立一些topologies。一个topology就是一个计算节点所组成的图。Topology里面的每个处理节点都包含处理逻辑，
而节点之间的连接则表示数据流动的方向。

运行一个Topology是很简单的。首先，把你所有的代码以及所依赖的jar打进一个jar包。然后运行类似下面的这个命令。

1	strom jar all-your-code.jar backtype.storm.MyTopology arg1 arg2

这个命令会运行主类:
backtype.strom.MyTopology, 参数是arg1,
arg2。这个类的main函数定义这个topology并且把它提交给Nimbus。storm
jar负责连接到nimbus并且上传jar文件。

因为topology的定义其实就是一个Thrift结构并且nimbus就是一个Thrift服务，
有可以用任何语言创建并且提交topology。上面的方面是用JVM

-based语言提交的最简单的方法, 看一下文章: 在生产集群上运行topology去看看怎么启动以及停止topologies。

4、Stream

Stream是storm里面的关键抽象。一个stream是一个没有边界的tuple序列。storm提供一些原语来分布式地、可靠地把一个stream传输进一个新的stream。比如：
你可以把一个tweets流传输到热门话题的流。

storm提供的最基本的处理stream的原语是spout和bolt。你可以实现Spout和Bolt对应的接口以处理你的应用的逻辑。

spout的流的源头。比如一个spout可能从Kestrel队列里面读取消息并且把这些消息发射成一个流。又比如一个spout可以调用twitter的一个api并且把返回的tweets发射成一个流。

通常Spout会从外部数据源（队列、数据库等）读取数据，然后封装成Tuple形式，之后发送到Stream中。Spout是一个主动的角色，在接口内部有个nextTuple函数，Storm框架会不停的调用该函数。


原理简介及单机版安装指南（1）" />

bolt可以接收任意多个输入stream，
作一些处理， 有些bolt可能还会发射一些新的stream。一些复杂的流转换，
比如从一些tweet里面计算出热门话题， 需要多个步骤， 从而也就需要多个bolt。 Bolt可以做任何事情: 运行函数，
过滤tuple, 做一些聚合， 做一些合并以及访问数据库等等。

Bolt处理输入的Stream，并产生新的输出Stream。Bolt可以执行过滤、函数操作、Join、操作数据库等任何操作。Bolt是一个被动的角色，其接口中有一个execute(Tuple
input)方法，在接收到消息之后会调用此函数，用户可以在此方法中执行自己的处理逻辑。


原理简介及单机版安装指南（1）" />

spout和bolt所组成一个网络会被打包成topology，
topology是storm里面最高一级的抽象（类似 Job），
你可以把topology提交给storm的集群来运行。topology的结构在Topology那一段已经说过了，这里就不再赘述了。





topology结构

topology里面的每一个节点都是并行运行的。 在你的topology里面， 你可以指定每个节点的并行度，
storm则会在集群里面分配那么多线程来同时计算。

一个topology会一直运行直到你显式停止它。storm自动重新分配一些运行失败的任务， 并且storm保证你不会有数据丢失，
即使在一些机器意外停机并且消息被丢掉的情况下。

5、数据模型(Data Model)

storm使用tuple来作为它的数据模型。每个tuple是一堆值，每个值有一个名字，并且每个值可以是任何类型，
在我的理解里面一个tuple可以看作一个没有方法的java对象。总体来看，storm支持所有的基本类型、字符串以及字节数组作为tuple的值类型。你也可以使用你自己定义的类型来作为值类型，
只要你实现对应的序列化器(serializer)。

一个Tuple代表数据流中的一个基本的处理单元，例如一条cookie日志，它可以包含多个Field，每个Field表示一个属性。



原理简介及单机版安装指南（1）" />

Tuple本来应该是一个Key-Value的Map，由于各个组件间传递的tuple的字段名称已经事先定义好了，所以Tuple只需要按序填入各个Value，所以就是一个Value
List。

一个没有边界的、源源不断的、连续的Tuple序列就组成了Stream。


原理简介及单机版安装指南（1）" />

topology里面的每个节点必须定义它要发射的tuple的每个字段。
比如下面这个bolt定义它所发射的tuple包含两个字段，类型分别是: double和triple。

01	publicclassDoubleAndTripleBoltimplementsIRichBolt {

02	privateOutputCollectorBase _collector;

03

04

@Override

05	publicvoidprepare(Map conf, TopologyContext context, OutputCollectorBase collector) {

06	_collector = collector;

07

}

08

09

@Override

10	publicvoidexecute(Tuple input) {

11	intval = input.getInteger( 0 );

12	_collector.emit(input,newValues(val* 2 , val* 3 ));

13	_collector.ack(input);

14

}

15

16

@Override

17	publicvoidcleanup() {

18

}

19

20

@Override

21	publicvoiddeclareOutputFields(OutputFieldsDeclarer declarer) {

22	declarer.declare(newFields( "double" , "triple" ));

23

}

24

}

declareOutputFields方法定义要输出的字段 ： ["double",
"triple"]。这个bolt的其它部分我们接下来会解释。