大数据处理之流式计算简介

1. 简介

   Strom是一个开源的分布式流式计算系统，用来处理流式的数据，被称作为流式的hadoop，在电信行业，可以用来做大流量预警、终端营销、访问竞争对手产品从而做挽留等业务。本文将从storm在hadoop生态圈中所处位置、storm中术语、storm平台搭建、storm应用程序构建等详细介绍storm。

2. Strom在大数据生态圈中的位置

   
   

1. 上图可以看出，Storm处于HDFS之上，但是并不是说Storm只能是处理HDFS中数据，反而Storm的数据来源一般是Log日志或者是Kafka中数据，当数据通过Strom处理完成之后，其流向可以是HDFS、HBase、关系型数据库等。

2. Strom是一个计算系统，在大数据处理中，我们耳熟能详的计算系统是mapreduce，这张架构图看出storm和mapreduce是同级关系，而storm被称作是流式的hadoop。所以接下来将通过与mapreduce进行对比来介绍storm

3.Strom常用术语介绍

Strom	MapReduce（基于hadoop2.X）	描述
Nimbus	ApplicationMaster	MapReduce中Resourcemanager负责任务分配、资源申请，同样的在Strom中Nimbus负责代码的分发，任务的分配和调度工作
Supervisor	NodeManager	MapReducer中NodeManager负责资源的申请，工作进程启动和监控，Strom中Supervisor同样负责任务进程的启动和停止
Worker	YarnChild	真正负责任务处理的进程
Topology	MapReduce	驱动程序

4.

• Strom架构Topology：通过Storm构建的应用程序描述了数据的来源、数据的处理逻辑和数据的流向。

• Spout：Topology中的组件，通过Spout描述了数据的来源，Spout中有一个nextTuple()函数，该函数会不停的被调用，源数据的生成就在该函数中实现，然后数据流向下一节点，每个Topology中只允许有一个Spout。

• Bolt：Topology中的组件，该组件接收上一节点（Spout或Bolt）发射过来的数据，该组件中有一个execute（Tuple tuple）方法，当接收到数据后该函数会被动执行，进行合并、筛选、持久化等操作。Bolt可以是Topology中一次完整的数据处理流程的终点，或者是转移点。

• Tuple：Tuple是Storm中传递消息的基本单元，Tuple的数据结构为一个List。

• Stream：连续不断的Tuple就组成了Stream。

• Stream grouping：描述了数据在不同的组件（Spout/Bolt）之间流转时，partition的规则，类型如下：

1.shuffle Grouping:随机分组，随机派发stream里面的tuple，保证每个bolt接收到的tuple数目相同
2.Fields Grouping：按照字段分组，相同的字段会分配到相同的bolt，不同的字段分配到不同的Bolt
3.ALL Grouping：广播，对每一个tuple，所有的bolt都会收到
4.Global Grouping:全局分组，这个tuple被分配到storm的一个bolt的一个task内，即id最低的那个
5.Non Grouping：不分组，目前效果和Global Groouping一样
6.Direct Grouping：直接分组，指定消息的接收者。