图解Storm

问题导读：
1.你认为什么图形可以显示hadoop与storm的区别？（电梯）
2.本文是如何形象讲解hadoop与storm的？（离线批量处理、实时流式处理）
3.hadoop map/reduce对应storm那两个概念？（spout/bolt）
4.storm流由谁来组成？（Tuples）
5.tuple具体是什么形式？

---

什么是Storm？
Storm是：

• 快速且可扩展伸缩
• 容错
• 确保消息能够被处理
• 易于设置和操作
• 开源的分布式实时计算系统
• 最初由Nathan Marz开发
• 使用Java 和 Clojure 编写

区别：
我们知道hadoop是批处理，storm是流式处理，那么是什么是批处理，什么流式处理？
Storm和Hadoop主要区别是实时和批处理的区别：
 
Storm概念组成：Spout和Bolt组成Topology。

Tuple是Storm的数据模型，如['jdon',12346]
多个Tuple组成事件流：

Spout是读取需要分析处理的数据源，然后转为Tuples，这些数据源可以是Web日志、 API调用、数据库等等。Spout相当于事件流的生产者。
Bolt 处理Tuples然后再创建新的Tuples流，Bolt相当于事件流的消费者。

Bolt 作为真正业务处理者，主要实现大数据处理的核心功能，比如转换数据，应用相应过滤器，计算和聚合数据(比如统计总和等等) 。
以Twitter的某个Tweet为案例，看看Storm如何处理：

这些tweett贴内容是：“No Small Cell Lung #Cancer(没有小细胞肺癌＃癌症)” "An #OnCology Consult...."
这些贴被Spout读取以后，产生Tuple，字段名是tweet，内容是"No Small Cell Lung #Cancer"，格式类似：['No Small Cell Lung #Cancer',133221]。
然后进入被流 消费者Bolt进行处理，第一个Bolt是SplitSentence，将tuple内容进行分离，结果成为：一个个单词："No" "Small" "Cell" "Lung" "#Cancer" ；然后经过第二个Bolt进行过滤HashTagFilter处理，Hash标签是单词中用#标注的，也就是Cancer；再经过HasTagCount计数，可以本地内存缓存这个计数结果，最后通过PrinterBolt打印出标签单词统计结果 。

我们使用Stom所要做的就是编制Spout和Bolt代码：

 public class RandomSentenceSpout extends BaseRichSpout {
 　　SpoutOutputCollector collector;
 　　Random random;
 　　//读入外部数据
 　　public void open(Map conf, TopologyContext context, SpoutOutputCollector collector) {
 　　　　this.collector = collector;
 　　　　random = new Random();
 　　}
 　　//产生Tuple
 　　 public void nextTuple() {
 　　　　String[] sentences = new String[] {
 　　　　　　"No Small Cell Lung #Cancer",
 　　　　　　"An #OnCology Consultant apple a day keeps the doctor away",
 　　　　　　"four score and seven years ago",
 　　　　　　"snow white and the seven dwarfs",
 　　　　　　"i am at two with nature"
 　　　　};
 　　　　String tweet = sentences[random.nextInt(sentences.length)];
 　　　　//定义字段名"tweet" 的值
 　　　　collector.emit(new Values(tweet));
 　　}
 　　// 定义字段名"tweet"
 　　public void declareOutputFields(OutputFieldsDeclarer declarer) {
 　　　　declarer.declare(new Fields("tweet"));
 　　}
 　　@Override
 　　public void ack(Object msgId) {}
 　　@Override
 　　public void fail(Object msgId) {}
 }

下面是Bolt的代码编写：

 public class SplitSentenceBolt extends BaseRichBolt {
 　　OutputCollector collector;
 　　@Override
 　　public void prepare(Map stormConf, TopologyContext context, OutputCollector collector) {
 　　　　this.collector = collector;
 　　}
 　　@Override 消费者激活主要方法：分离成单个单词
 　　public void execute(Tuple input) {
 　　　　for (String s : input.getString(0).split("\\s")) {
 　　　　　　collector.emit(new Values(s));
 　　　　}
 　　}
 　　@Override 定义新的字段名
 　　public void declareOutputFields(OutputFieldsDeclarer declarer) {
 　　　　declarer.declare(new Fields("word"));
 　　}

最后是装配运行Spout和Bolt的客户端调用代码：

 public class WordCountTopology {
 　　public static void main(String[] args) throws Exception {
 　　　　TopologyBuilder builder = new TopologyBuilder();
 　　　　builder.setSpout("tweet", new RandomSentenceSpout(), 2);
 　　　　builder.setBolt("split", new SplitSentenceBolt(), 4)
 　　　　　　.shuffleGrouping("tweet")
 　　　　　　.setNumTasks(8);
 　　　　builder.setBolt("count", new WordCountBolt(), 6)
 　　　　　　.fieldsGrouping("split", new Fields("word"));
 　　　　..设置多个Bolt
 　　　　Config config = new Config();
 　　　　config.setNumWorkers(4);
 　　　　
 　　　　StormSubmitter.submitTopology("wordcount", config, builder.createTopology());
 //Local testing
 //LocalCluster cluster = new LocalCluster();
 //cluster.submitTopology("wordcount", config, builder.createTopology());
 //Thread.sleep(10000);
 //cluster.shutdown();
 }
 }

在这个代码中定义了一些参数比如Works的数目是4，其含义在后面详细分析。

下面我们要将上面这段代码发布部署到Storm中，首先了解Storm物理架构图：

Nimbus是一个主后台处理器，主要负责：
　　1.发布分发代码
　　2.分配任务
　　3.监控失败。
Supervisor是负责当前这个节点的后台工作处理器的监听。
Work类似Java的线程，采取JDK的Executor 。

下面开始将我们的代码部署到这个网络拓扑中：
将代码Jar包上传到Nimbus的inbox，包括所有的依赖包，然后提交。
Nimbus将保存在本地文件系统，然后开始配置网络拓扑，分配开始拓扑。
见下图：
Nimbus服务器将拓扑Jar 配置和结构下载到 Supervisor，负载平衡ZooKeeper分配某个特定的Supervisor服务器，而Supervisor开始基于配置分配Work，Work调用JDK的Executor启动线程，开始任务处理。
下面是我们代码对拓扑分配的参数示意图：

Executor启动的线程数目是12个，组件的实例是16个，那么如何在实际服务器中分配呢？如下图：
图中RsSpout代表我们的代码中RandomSentenceSpout；SplitSentenceBolt简写为SSbolt。