storm学习（一）——storm原理及安装

笔者是一个痴迷于挖掘数据中的价值的学习人，希望在平日的工作学习中，挖掘数据的价值，找寻数据的秘密，笔者认为，数据的价值不仅仅只体现在企业中，个人也可以体会到数据的魅力，用技术力量探索行为密码，让大数据助跑每一个人，欢迎直筒们关注我的公众号，大家一起讨论数据中的那些有趣的事情。

我的公众号为：livandata

一、storm的基本原理：

1、离线计算是什么？

离线计算：批量获取数据、批量传输数据、周期性批量计算数据、数据展示

代表技术：Sqoop批量导入数据、HDFS批量存储数据、MapReduce批量计算数据、Hive批量计算数据、***任务调度

1，hivesql：工作中的重中之重；

2、调度平台

3、Hadoop集群运维

4、数据清洗（脚本语言）

5、元数据管理

6、数据稽查：看数据中有没有垃圾数据，对数据量比较；

7、数据仓库模型架构

2、流式计算是什么

流式计算：数据实时产生、数据实时传输、数据实时计算、实时展示;

代表技术：Flume实时获取数据、Kafka/metaq实时数据存储、Storm/JStorm实时数据计算、Redis实时结果缓存、持久化存储(mysql)。

一句话总结：将源源不断产生的数据实时收集并实时计算，尽可能快的得到计算结果;

3、离线计算与实时计算的区别

最大的区别：实时收集、实时计算、实时展示

4、Storm是什么？

Flume实时采集，低延迟

Kafka消息队列，低延迟

Storm实时计算，低延迟

Redis实时存储，低延迟

Storm用来实时处理数据，特点：低延迟、高可用、分布式、可扩展、数据不丢失。提供简单容易理解的接口，便于开发。

海量数据？数据类型很多，产生数据的终端很多，处理数据能力增强

5、Storm与Hadoop的区别

1. Storm用于实时计算，Hadoop用于离线计算。
2. Storm处理的数据保存在内存中，源源不断；Hadoop处理的数据保存在文件系统中，一批一批。
3. Storm的数据通过网络传输进来；Hadoop的数据保存在磁盘中。
4. Storm与Hadoop的编程模型相似

Job：任务名称

JobTracker：项目经理

TaskTracker：开发组长、产品经理

Child:负责开发的人员

Mapper/Reduce:开发人员中的两种角色，一种是服务器开发、一种是客户端开发

Topology:任务名称

Nimbus:项目经理

Supervisor:开组长、产品经理

Worker:开人员

Spout/Bolt：开人员中的两种角色，一种是服务器开发、一种是客户端开发；

6、Storm应用场景及行业案例

Storm用来实时计算源源不断产生的数据，如同流水线生产。

6.1、运用场景

1）日志分析

从海量日志中分析出特定的数据，并将分析的结果存入外部存储器用来辅佐决策。

2）管道系统

将一个数据从一个系统传输到另外一个系统，比如将数据库同步到Hadoop

3）消息转化器

将接受到的消息按照某种格式进行转化，存储到另外一个系统如消息中间件

6.2、典型案列

1）一淘-实时分析系统：实时分析用户的属性，并反馈给搜索引擎

最初，用户属性分析是通过每天在云梯上定时运行的MR job来完成的。为了满足实时性的要求，希望能够实时分析用户的行为日志，将最新的用户属性反馈给搜索引擎，能够为用户展现最贴近其当前需求的结果。

2）携程-网站性能监控：实时分析系统监控携程网的网站性能

利用HTML5提供的performance标准获得可用的指标，并记录日志。Storm集群实时分析日志和入库。使用DRPC聚合成报表，通过历史数据对比等判断规则，触发预警事件。

3）阿里妈妈-用户画像：实时计算用户的兴趣数据

为了更加精准投放广告，阿里妈妈后台计算引擎需要维护每个用户的兴趣点（理想状态是，你对什么感兴趣，就向你投放哪类广告）。用户兴趣主要基于用户的历史行为、用户的实时查询、用户的实时点击、用户的地理信息而得，其中实时查询、实时点击等用户行为都是实时数据。考虑到系统的实时性，阿里妈妈使用Storm维护用户兴趣数据，并在此基础上进行受众定向的广告投放。

7、Storm核心组件（重要）

1. Nimbus：负责资源分配和任务调度，分配完成后，将其通过zk分配给supervisor，zk记录分配的任务信息和心跳信息。
2. Supervisor：负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程，是当前物理机上的管理者，worker的数量是根据端口号来的。---通过配置文件设置当前supervisor上启动多少个worker。
3. Worker：运行具体处理组件逻辑的进程。Worker运行的任务类型只有两种，一种是Spout任务，一种是Bolt任务，一个worker中有多个这种任务，。
4. Task：worker中每一个spout/bolt的线程称为一个task. 每个task属于某个组件并发度中的一个，在storm0.8之后，task不再与物理线程对应，不同spout/bolt的task可能会共享一个物理线程，该线程称为executor。

并发度：一种类型的任务，被几个线程同时执行，并发度的数量等于线程的数量一个任务的多个线程会被运行在多个worker上，有一种类似于平均算法的负载均衡策略，尽可能减少网络请求IO，与hadoop中的Map Reduce类似（尽可能运行在数据所在的物理节点上）；

一个worker可以看作是一个JVM，如上图，一个jvm中可以执行五个task任务，即五个线程，每个jvm与外部通讯需要的是socket，联系其他的jvm。

8、Storm编程模型（重要）

1. Topology：Storm中运行的一个实时应用程序的名称。（拓扑）
2. Spout：在一个topology中获取源数据流的组件。

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。

1. Bolt：接受数据然后执行处理的组件,用户可以在其中执行自己想要的操作。
2. Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。
3. Stream：表示数据的流向。

一个worker只属于一个topology。

一个topology要求的worker数量如果不被满足，集群在任务分配时，根据现有的worker先运行topology，如果当前集中worker数量为0，那么最新提交的topology将只会被标识为active，但是不分配worker，不运行，只有当有了空闲资源，才会被运行。

以案例的形式描述：

冰山融化，形成小水滴，由spout进行收集，然后在Bolt中融入新的物质，最终形成需要的液体。

1. 外部数据源data source中存在大量数据，由spout获取外部收据，这些数据（一条一条）可以是string，可以是json，也可以是javabean等格式；
2. Spout会将收集的数据内部发送到blot中，在blot中根据业务逻辑处理相应的数据，多个blot可以是平行的（此即为并发度），也可以是串联的；
3. 最后的blot会将数据传输给数据库redis。

上面的步骤为topology，即storm的一个单元；

一个topology的数据是独有的，与其他topology是没有关系的，但是多个topology可以同时使用一个数据源。

Spout传输的一个数据单元即为一个tuple，tuple是一个java对象，里面封装了一个list；

程序的流动方向是StreamGrouping，即数据流分区，类似于hadoop中的hash散列，分组方式有多种，比如：随机分组（shuffle Grouping，用的是随机函数）、按字段分组（Field Grouping，用的是hash散列）、不分组等七种方式，具体可见后面的stream Grouping详解：

对于blot的并发处理：

每个blot中的并发都对应一个线程：

比如：

1）blot1-0是一个线程

2）blot1-1是一个线程

9、流式计算一般架构图（重要）

1. 其中flume用来获取数据。
2. Kafka用来临时保存数据。
3. Strom用来计算数据。
4. Redis是个内存数据库，用来保存数据。

二、集群部署的基本流程：

1、流程概述：

集群部署的流程：下载安装包、解压安装包、修改配置文件、分发安装包、启动集群。

2、Storm集群部署

2.1、下载安装包

Wget http://124.202.164.6/files/1139000006794ECA/apache.fayea.com/storm/apache-storm-0.9.5/apache-storm-0.9.5.tar.gz

也可以直接在官网上下载tar.gz的安装包，然后将其上传到对应的服务器上。

2.2、解压安装包

解压安装文件到制定的目录，并把storm加入到环境变量

sudo tar -zxvf apache-storm-0.9.6.tar.gz

sudo mv apache-storm-0.9.6 storm

sudo vi /etc/profile

Source /etc/profile

2.3、修改配置文件

vim /usr/apps/storm/storm/conf/storm.yaml

输入以下内容：

2.4、分发安装包

scp -pr storm root@hdp-node-2:/usr/apps/

scp -pr storm root@hdp-node-3:/usr/apps/

2.5、启动集群

Hdp-node-1节点启动nimbus和storm ui：

[root@ Hdp-node-1~]# nohup storm ui >/dev/null 2>&1 &

[root@ Hdp-node-1~]# nohup storm nimbus >/dev/null 2>&1 &

Hdp-node-2和Hdp-node-3主机启动Supervisor节点：

[root@ Hdp-node-2~]# nohup storm supervisor >/dev/null 2>&1 &

[root@ Hdp-node-3~]# nohup storm supervisor >/dev/null 2>&1 &

3、查看集群

访问nimbus.host:/8080，即可看到storm的ui界面。

4、Storm常用操作命令

有许多简单且有用的命令可以用来管理拓扑，它们可以提交、杀死、禁用、再平衡拓扑。

1）提交任务命令格式：storm jar 【jar路径】 【拓扑包名.拓扑类名】 【拓扑名称】

bin/storm jar examples/storm-starter/storm-starter-topologies-0.9.6.jar storm.starter.WordCountTopology（驱动类） wordcount

2）杀死任务命令格式：storm kill 【拓扑名称】 -w 10（执行kill命令时可以通过-w [等待秒数]指定拓扑停用以后的等待时间）

storm kill topology-name -w 10

3）停用任务命令格式：storm deactivte  【拓扑名称】

storm deactivte topology-name

我们能够挂起或停用运行中的拓扑。当停用拓扑时，所有已分发的元组都会得到处理，但是spouts的nextTuple方法不会被调用。销毁一个拓扑，可以使用kill命令。它会以一种安全的方式销毁一个拓扑，首先停用拓扑，在等待拓扑消息的时间段内允许拓扑完成当前的数据流。

1）启用任务命令格式：storm activate【拓扑名称】

storm activate topology-name

2）重新部署任务命令格式：storm rebalance  【拓扑名称】

storm rebalance topology-name

再平衡使你重分配集群任务。这是个很强大的命令。比如，你向一个运行中的集群增加了节点。再平衡命令将会停用拓扑，然后在相应超时时间之后重分配工人，并重启拓扑。

5、Storm集群的进程及日志熟悉

5.1、部署成功之后，启动storm集群。

依次启动集群的各种角色

5.2、查看nimbus的日志信息

在nimbus的服务器(hdp-node-1)上:

cd /usr/apps/storm/storm/logs

tail -100f /usr/apps/storm/storm/logs/nimbus.log

5.3、查看ui运行日志信息

在ui的服务器上，一般和nimbus一个服务器:

cd /usr/apps/storm/storm/logs

tail -100f /usr/apps/storm/storm/logs/ui.log

5.4、查看supervisor运行日志信息

在supervisor服务上

cd /usr/apps/storm/storm/logs

tail -100f /usr/apps/storm/storm/logs/supervisor.log

5.5、查看supervisor上worker运行日志信息

在supervisor服务上

cd /usr/apps/storm/storm/logs

tail -100f /usr/apps/storm/storm/logs/worker-6702.log

(该worker正在运行wordcount程序)