Samza文档翻译 : Backgroud

这一页提供了关于流处理的背景知识，描述什么是Samza，以及它为何而生。

what is messaging?什么叫消息？

消息系统是用来实现近实时异步计算的一种流行方式。当事件发生时，消息可以被放在消息队列里（ActiveMQ, RabbitMQ），发布-订阅系统(Kestrel, Kafka)里，或者日志汇集系统(Flume,Scribe)里。下游的消费者从这些系统里读消息，进行处理，或者根据消息内容采取行动。

 

假如你有一个网站，并且每次有人加载一个网页，就发送发一个"用户查看了页面"的消息到消息系统。你可能会有做以下任意事情的consumer：

• 把消息存储到Hadoop，用来以后分析
• 计算页面访问量并且更新到dashboard
• 如果页面访问失败，触发一个警报Background
• 发送一个电子邮件通知另一个用户
• 把页面访问事件和用户的档案合在一起，把合并后的消息发回给消息系统

一个消息系统使你将以上的工作和实际的网页服务解耦合。

 

What is stream processing?  什么叫流处理

 

一个消息系统是相当低层级一部分基础设施——它存储消息，等待consumers来消费它。当你开始写代码来生产或消费消息，你很快就会发现在处理层有很多难对付的问题。Samza的目标就是帮助解决这些问题。

 

用上面的网页访问计数的例子(计算访问量，然后更新dashboard)来说。你的消费者运行在的机器出现故障，并且你当前的计数器的值丢失了，将会发生什么？你怎么来恢复？当处理程序重启时，它应该在哪运行？如果底层的消息系统发送给你两次同样的消息，或者丢失一个消息，应该怎么办？（除非你很小心，否则你的计数器可能就不正确了）。如果单独一台机器没有足够的计算能力，你怎么把计算分布到多台机器上。

 

流处理是消息系统之上的更高级别的抽象，它就是用来精确地解决这一类问题。

 

Samza

 

samza是一个流处理框架，它有以下特性：

• 简单的API:不像大多数低层级的消息系统的API，Samza提供了一个非常简单的，基于回调的 “消息处理”  API，和MapReduce类似。
• 受控的状态：Samza管理“流处理器”的快照和恢复。当一个流处理器重启，Samza会恢复它的状态到一个一致的快照。Samza被构建来处理大规模的状态(每个分区数GB).
• 容错：当集群中的任何一个机器发生故障，Samza和YARN一起透明地迁移你的task到另一台机器。
• Durability持久性: Samza使用Kafka来保证消息按照他们写入一个partition的顺序被处理，并且不会有消息丢失。
• Scalability可扩展:Samza在各个层面上都是分区的以及分布式的。Kafka提供了有序的、分区的、可回放的、容错的消息流。YARN提供给Samza容器一个分布式的环境来运行。
• Pluggable可插拔的:虽然Samza自带对Kafka和YARN的支持，但是Samza同时提供了可插拔的API来让你在别的消息系统和运行环境中运行Samza。
• Processor isolation处理器隔离:Samza与Apache YARN一起工作。YARN提供了Hadoop的安全模型，以及利用Linux CGruops的资源隔离。

其它选择

 

现在可用的开源流处理系统都实际上非常新，没有一个单独的系统提供了所有的解决方案。这个领域的新问题包括：怎么管理流处理器的状态？是否一个流应该被远程缓存在硬盘上？当重复的消息被接收或者消息丢失时应该怎么做？怎么对底层的消息系统建模？

 

Samza的主要区分点在于：

• Samza支持本地状态的容错。状态可以被想象成一些表，它们被分成很多块，和各个处理工作分布到一起。状态本身被建模成一个流。如果本地状态由于机器故障丢失，状态流就会被回放，以重建它。
• 流是有序的、分区的、可以回放的、容错的
• YARN被用来做处理器隔离、安全、以及容错
• 任务之间是解耦合的：如果一个job很慢，积压了一些未处理的消息，其它的系统不会受影响。

如果想要一个对Smaza更深层的讨论，以及它和其它的流处理系统的关系，看一下Samza的 Comparision文档吧。