Storm 入门与安装
一、Storm 简介
具体不说了，反正Storm是个实时的、分布式以及具备高容错的计算系统，Hadoop 流计算版本。我们拿他来做大数据实时计算的。
官网简介地址：
http://storm.apache.org/documentation/Tutorial.html
而下面这篇文章是我第一次认识Storm，感谢作者
http://blog.csdn.net/mousever/article/details/7423227
二、基本概念
刚才说这边说Storm是Hadoop流计算版本。首先我们通过一个 storm和hadoop的对比来了解storm中
的基本概念。
|
|
Hadoop |
Storm |
| 系统角色 |
JobTracker |
Nimbus |
| TaskTracker |
Supervisor |
|
| Child |
Worker |
|
| 应用名称 |
Job |
Topology |
| 组件接口 |
Mapper/Reducer |
Spout/Bolt |
接下来我们再来具体看一下这些概念。
1. Nimbus：负责资源分配和任务调度。
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。
3. Worker：运行具体处理组件逻辑的进程。
4. Task：worker中每一个spout/bolt的线程称为一个task.在storm0.8之后，task不再与物理线程对应，同一个spout/bolt的task可能会共享一个物理线程，该线程称为executor。
下面这个图描述了以上几个角色之间的关系。
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。
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。
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.
Stream：源源不断传递的tuple就组成了stream
三、Storm安装
3.1安装ZeroMQ(storm 0.9 之后就不依赖这了，因此这里可以忽略)
因为Storm为了保证消息能得到快速的处理，使用ZeroMQ作为其底层消息队列
这里安装十分头疼。因为虚拟机或者服务器总是缺少各种依赖
这里安装zeromq-2.2.0.tar.gz，安装步骤如下：
wget http://download.zeromq.org/zeromq-2.2.0.tar.gz
tar zxfzeromq-2.2.0.tar.gz
cd zeromq-2.2.0
./configure
make
make install如果在安装过程中，缺少什么，请yum什么。
安装ZeroMQ所需组件及工具：
yum install gcc
yum install gcc-c++
yum install make
yum install uuid-devel
yum install libuuid-devel如果yum都失效了，即yum的时候报这个错（This system is not registeredwith RHN），请看下面的网址：
http://jingyan.baidu.com/album/6d704a13f0d61128db51ca82.html
本地模式。Storm有一个“本地模式”，可以在处理过程中完全模拟Storm集群。这让你可以快速进行开发和单元
测试。
3.2安装JZMQ(storm 0.9 之后就不依赖这了，因此这里可以忽略)
#yum install git
git clone https://github.com/zeromq/jzmq.git
cd jzmq
./autogen.sh
./configure
Make
make install如果缺少libtool，则先安装 yum install libtoo
3.3 安装Python2.7.2
大多linux服务器默认有装Python,不过版本不一定和Storm 相匹配，所以我们可以先不装，等全部装完后，如果启动Storm 发生问题，再装Python
wget http://www.python.org/ftp/python/2.7.2/Python-2.7.2.tgz
tar zxvfPython-2.7.2.tgz
cd Python-2.7.2
./configure
make
make install3.4安装storm
wget http://mirrors.cnnic.cn/apache/storm/apache-storm-0.9.2-incubating/apache-storm-0.9.2-incubating.tar.gz
tar –xzvf apache-storm-0.9.2-incubating.tar.gz然后vim /etc/profile 设置下
export STORM_HOME=/usr/local/apache-storm-0.9.2-incubating
export PATH=$PATH:$STORM_HOME/bin四、Storm配置
配置storm
修改storm/conf/storm.yaml文件
storm.zookeeper.servers:
- “carl"
- “slave1"
- “slave2"
nimbus.host: “carl "
storm.local.dir: "/usr/tmp/storm"
supervisor.slots.ports:
- 6700
- 6701
- 6702
- 6703说明一下：
1、storm.local.dir表示storm需要用到的本地目录。
2、nimbus.host表示那一台机器是master机器，即 nimbus。
3、storm.zookeeper.servers表示哪几台机器是zookeeper服务器，所以要先安装Zookeeper。
4、storm.zookeeper.port表示zookeeper的端口号，这里一定要与zookeeper配置的端口号一致，否则会出现通信错误，切记切记。当然你也可以配 superevisor.slot.ports，supervisor.slots.ports表示supervisor节点的槽数，就是最多能跑几个 worker进程（每个sprout
或bolt默认只启动一个worker，但是可以通过conf修改成多个）
安装Zookeeper 请看这里
http://blog.csdn.net/looklook5/article/details/40826241
五、启动storm
1、启动zookeeper环境，记得关闭防火墙。
2、在nimbus主机执行命令
storm nimbus3、在supervisor主机执行命令
storm supervisor 4、在nimbus主机执行
storm ui启动完毕，通过 http://服务器IP:8080/访问UI
安装完毕
六、测试storm
将整个storm 项目下载下来
https://github.com/apache/storm
然后我们用官网的测试例子
https://github.com/apache/storm/tree/master/examples/storm-starter
将程序打包，这边的测试脚本是storm.starterWordCountTopology
上传服务器
执行命令：
./storm jar jar包名 storm.starter.WordCountTopologytest查看UI http:// 服务器IP:8080
可以看到任务的运行。
下面如果输入参数则是本地模式。
./storm jar jar包名 storm.starter.WordCountTopology大家可以看到数据的输出，而程序则在10秒后自动结束（测试程序自己设置的）
如果执行过程中，报错找不到splitsentence.py，请把在原脚本中的这个程序放到$STORM_HOME/lib 中
七、storm的详细配置
| 配置项 |
配置说明 |
| storm.zookeeper.servers |
ZooKeeper服务器列表 |
| storm.zookeeper.port |
ZooKeeper连接端口 |
| storm.local.dir |
storm使用的本地文件系统目录(必须存在并且storm进程可读写) |
| storm.cluster.mode |
Storm集群运行模式([distributed|local]) |
| storm.local.mode.zmq |
Local模式下是否使用ZeroMQ作消息系统，如果设置为false则使用java消息系统。默认为false |
| storm.zookeeper.root |
ZooKeeper中Storm的根目录位置 |
| storm.zookeeper.session.timeout |
客户端连接ZooKeeper超时时间 |
| storm.id |
运行中拓扑的id,由stormname和一个唯一随机数组成。 |
| nimbus.host |
nimbus服务器地址 |
| nimbus.thrift.port |
nimbus的thrift监听端口 |
| nimbus.childopts |
通过storm-deploy项目部署时指定给nimbus进程的jvm选项 |
| nimbus.task.timeout.secs |
心跳超时时间，超时后nimbus会认为task死掉并重分配给另一个地址。 |
| nimbus.monitor.freq.secs |
nimbus检查心跳和重分配任务的时间间隔.注意如果是机器宕掉nimbus会立即接管并处理。 |
| nimbus.supervisor.timeout.secs |
supervisor的心跳超时时间,一旦超过nimbus会认为该supervisor已死并停止为它分发新任务. |
| nimbus.task.launch.secs |
task启动时的一个特殊超时设置.在启动后第一次心跳前会使用该值来临时替代nimbus.task.timeout.secs. |
| nimbus.reassign |
当发现task失败时nimbus是否重新分配执行。默认为真，不建议修改。 |
| nimbus.file.copy.expiration.secs |
nimbus判断上传/下载链接的超时时间，当空闲时间超过该设定时nimbus会认为链接死掉并主动断开 |
| ui.port |
Storm UI的服务端口 |
| drpc.servers |
DRPC服务器列表，以便DRPCSpout知道和谁通讯 |
| drpc.port |
Storm DRPC的服务端口 |
| supervisor.slots.ports |
supervisor上能够运行workers的端口列表.每个worker占用一个端口,且每个端口只运行一个worker.通过这项配置可以调整每台机器上运行的worker数.(调整slot数/每机) |
| supervisor.childopts |
在storm-deploy项目中使用,用来配置supervisor守护进程的jvm选项 |
| supervisor.worker.timeout.secs |
supervisor中的worker心跳超时时间,一旦超时supervisor会尝试重启worker进程. |
| supervisor.worker.start.timeout.secs |
supervisor初始启动时，worker的心跳超时时间，当超过该时间supervisor会尝试重启worker。因为JVM初始启动和配置会带来的额外消耗，从而使得第一次心跳会超过supervisor.worker.timeout.secs的设定 |
| supervisor.enable |
supervisor是否应当运行分配给他的workers.默认为true,该选项用来进行Storm的单元测试,一般不应修改. |
| supervisor.heartbeat.frequency.secs |
supervisor心跳发送频率(多久发送一次) |
| supervisor.monitor.frequency.secs |
supervisor检查worker心跳的频率 |
| worker.childopts |
supervisor启动worker时使用的jvm选项.所有的”%ID%”字串会被替换为对应worker的标识符 |
| worker.heartbeat.frequency.secs |
worker的心跳发送时间间隔 |
| task.heartbeat.frequency.secs |
task汇报状态心跳时间间隔 |
| task.refresh.poll.secs |
task与其他tasks之间链接同步的频率.(如果task被重分配,其他tasks向它发送消息需要刷新连接).一般来讲，重分配发生时其他tasks会理解得到通知。该配置仅仅为了防止未通知的情况。 |
| topology.debug |
如果设置成true，Storm将记录发射的每条信息。 |
| topology.optimize |
master是否在合适时机通过在单个线程内运行多个task以达到优化topologies的目的. |
| topology.workers |
执行该topology集群中应当启动的进程数量.每个进程内部将以线程方式执行一定数目的tasks.topology的组件结合该参数和并行度提示来优化性能 |
| topology.ackers |
topology中启动的acker任务数.Acker保存由spout发送的tuples的记录，并探测tuple何时被完全处理.当Acker探测到tuple被处理完毕时会向spout发送确认信息.通常应当根据topology的吞吐量来确定acker的数目，但一般不需要太多.当设置为0时,相当于禁用了消息可靠性,storm会在spout发送tuples后立即进行确认. |
| topology.message.timeout.secs |
topology中spout发送消息的最大处理超时时间.如果一条消息在该时间窗口内未被成功ack,Storm会告知spout这条消息失败。而部分spout实现了失败消息重播功能。 |
| topology.kryo.register |
注册到Kryo(Storm底层的序列化框架)的序列化方案列表.序列化方案可以是一个类名,或者是com.esotericsoftware.kryo.Serializer的实现. |
| topology.skip.missing.kryo.registrations |
Storm是否应该跳过它不能识别的kryo序列化方案.如果设置为否task可能会装载失败或者在运行时抛出错误. |
| topology.max.task.parallelism |
在一个topology中能够允许的最大组件并行度.该项配置主要用在本地模式中测试线程数限制. |
| topology.max.spout.pending |
一个spout task中处于pending状态的最大的tuples数量.该配置应用于单个task,而不是整个spouts或topology. |
| topology.state.synchronization.timeout.secs |
组件同步状态源的最大超时时间(保留选项,暂未使用) |
| topology.stats.sample.rate |
用来产生task统计信息的tuples抽样百分比 |
| topology.fall.back.on.java.serialization |
topology中是否使用java的序列化方案 |
| zmq.threads |
每个worker进程内zeromq通讯用到的线程数 |
| zmq.linger.millis |
当连接关闭时,链接尝试重新发送消息到目标主机的持续时长.这是一个不常用的高级选项,基本上可以忽略. |
| java.library.path |
JVM启动(如Nimbus,Supervisor和workers)时的java.library.path设置.该选项告诉JVM在哪些路径下定位本地库. |