Storm核心概念剖析

最近团队中有分析的场景，用到了JStorm来做数据的实时分析，于是花时间对于一些概念做了了解。

 

什么是Storm?

这个的话出来应该有几年时间了，阿里巴巴也重写了一套JStorm，核心的类名都是服用的Storm的，他是一套实时数据处理系统，容错行好，然后足够稳定，目前很多数据实时分析的场景，选择Storm的越来越多了。

 

 

核心概念介绍

    Nimbus：负责在集群里面发送代码，分配工作给机器，并且监控状态。全局只有一个。相当于master的角色。

    Supervisor：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Worker。每一个要运行Storm的机器上都要部署一个，并且，按照机器的配置设定上面分配的槽位数。

    zookeeper：Storm重点依赖的外部资源。Nimbus和Supervisor甚至实际运行的Worker都是把心跳保存在Zookeeper上的。Nimbus也是根据Zookeerper上的心跳和任务运行状况，进行调度和任务分配的。两者之间的调度器。

    Spout：在一个topology中产生源数据流的组件。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。Spout是一个主动的角色，其接口中有个nextTuple()函数，storm框架会不停地调用此函数，用户只要在其中生成源数据即可。

    Bolt：在一个topology中接受数据然后执行处理的组件。Bolt可以执行过滤、函数操作、合并、写数据库等任何操作。Bolt是一个被动的角色，其接口中有个execute(Tuple input)函数,在接受到消息后会调用此函数，用户可以在其中执行自己想要的操作。   

    Topology：storm中运行的一个实时应用程序，因为各个组件间的消息流动形成逻辑上的一个拓扑结构。

    Worker：具体处理组建逻辑的进程，

    Task：不再与物理进程对应，是处理任务的线程，

    Stream：源源不断传递的tuple就组成了stream。

    Tuple:一次消息传递的基本单元。本来应该是一个key-value的map，但是由于各个组件间传递的tuple的字段名称已经事先定义好，所以tuple中只要按序填入各个value就行了，所以就是一个value list.

 

 

整体物理布局

放一张Nimbus和Supervisior的关系图

 

 

 

数据处理的流程

Topology是一个完成的数据处理流程，在Nimbus提交jar，然后Nimbus分发到Supervisior中，Sport负责数据流的读入，是入口，然后Bolt是处理数据加工数据的节点，中间数据被封装在Tuple中，然后Bolt节点可以产生新的Tuple。总体流程图如下

 

 

 

Storm如何保证消息被最终处理

总体的流程介绍，首先Spout发完tuple后发送一条Ack消息给Acker线程，告诉Acker自己发送了哪些tuple需要ack，每一个Bolt 的 task 在执行完对tuple的处理之后，需要手动的ack一下，ack的时候发送一条Ack消息给Acker线程，告知自己要ack的tuple和需要下面的节点ack的tuple，当Acker收到所有的ack的时候就向Spout发送一条ack消息，通知这棵树上的tuple被完整的处理了。

每当一个Spout发送出一个tuple，就会在拓扑中产生了一棵由tuple构成的树，Jstorm中为每棵树设置了一个rootID来唯一的标示这棵树。

 

 

 

 

 

Storm如何存储数据

严格来讲，Storm中设计的组建，没有专门存储数据的，一般情况下，会借助第三方的存储，例如mysql、Nosql 等，Bolt的节点，可以用于存储计算的中间结果或者最终结果。

从这里看，Storm在取舍上拿捏的恰到好处，发挥里实时处理数据的核心场景。

 

 

Spout和Bolt为啥需要实现序列化

这两个核心的接口，都实现了序列化，在开发web类系统的时候，一般接口或者操作类，是没有必要实现序列化接口的，这里为啥需要呢。

深入理解一些Storm的机制，一个topology程序提交到集群，是先提交到Nimbus的，然后由其进行分发，分发是跨进程的，到了另外一个进程中，是需要反序列化出来这个处理类的。

 

 

Storm中的grouping机制有那些

一个 Bolt 可以设置为多个 Task 并发执行数据处理任务，订阅了一个 Spout 的 Stream，那么应该把 Spout 的数据发送给哪一个具体的Task执行，这个是由grouping的方式决定的。

1、随机分组，伪随机，按照一定的逻辑均匀的分发

2、特定字段分组

3、真正的随机分组

4、广播，每个都发一遍

5、直接制定那个任务接收

 

 

 

事务拓扑是怎么回事

事务拓扑，保证流入拓扑的数据能够被完整的处理且处理一次；

Acker拓扑，保证流入拓扑的数据能够被完整的处理，但不保证不重复；

普通拓扑，不保证流入拓扑的数据能够被完整的处理；

 

 

如何测试这种编程模型的系统呢

简单想了一些测试的思路，这种实时处理，数据是流动的，测试难度比较大

1、验证数据，截取特定时间点的分析结果数据快照，然后利用这些时间在离线的分析集群里面对照写分析逻辑，看结果是否一致；

2、验证数据分析处理逻辑，中间的Bolt阶段，涉及到数据的加工分析以及过滤，可以mock数据输入，验证计算逻辑是否准确；

3、测试环境下，模拟有可能异常的业务数据，流入系统，看系统的容错机制如何；

 

 

Spout如何获取数据

1、直接链接，Spout作为数据输入的源头，启动线程直接链接对应的数据源，拉取特定条件的数据；

2、通过队列过度，不是直接的方式，通过消息队列来进行过度；

3、外部系统通知，消息系统通知到Spout，然后转换为Tuple进行传输；

 

 

实时计算业务场景举例

1、日志分析

例如应用系统产生大量的业务日志，这些例如网关系统的API调用情况日志，这些日志，不太适合马上存入数据库，需要进行加工，日志文件的量又非常大，所以没法直接统计，这时候可以通过Storm来进行分析。

2、大数据实时统计

互联网的数据量是海量的时候，没有办法在数据库层面直接SQL来进行统计，需要对于产生的数据，进行二次加工，然后产出结果，正好把实时变化的数据流到storm中处理一遍。

3、管道传输

例如有数据需要从A系统流道B系统，这时候需要中间处理一下，场景是不是很切和。

 

 

参考文章：

http://storm.apache.org/documentation/Concepts.html 

http://tech.uc.cn/?p=2159

http://xumingming.sinaapp.com/category/storm/

http://www.searchtb.com/2012/09/introduction-to-storm.html 

​