《Getting Started with Storm》章节一基础

注：括号里的字，并且是（灰色）的，是我个人的理解，如有差错，欢迎交流

Storm是一个分布式的、可靠的、容错的数据流处理系统（流式计算框架，可以和mapreduce的离线计算框架对比理解）。整个任务被委派给不同的组件，每个组件负责一个简单的特定的处理任务。Storm集群的输入流是一个叫spout的组件负责接入处理。spout把数据传给bolt组件，bolt组件可以对数据完成某种转化。bolt组件可以把数据持久化，或者传送到其他的bolt。可以把Storm集群想象成一个bolt组件链，每个组件负责对spout流入的数据（也可以是其他bolt流入的数据）进行某种形式的处理。

有个简单的例子可以说明这个概念。昨晚我看新闻，节目中发言人在谈论政治家以及他们在不用领域的立场。他们不停地在重复一些不同的名字，这时我想知道他们提到的每个名字出现的次数是否一样，还是在某些名字被提及次数更多。

把发言人的言语想象成数据的输入流。我们可以定义一个spout从文件（通过socket、HTTP或者其他方式）读取这些输入。当几行文本到来时，spout把它们传送给bolt，bolt负责把文本分词。接着数据流被传送到另外一个bolt，这个bolt负责在一个已经定义好的政治家名单进行比对。如果匹配到了，将数据库中对应的名字的计数加1。任何时候你想看结果，只要从数据库中查询就可以，因为当数据到达时整个过程都是实时更新的。这过程中所有的组件（spout和bolt）以及他们之间的连接被称为拓扑（topology）（见图表 1-1）。

现在很容易想象定义每个bolt和spout并行度，这样可以无限地扩展整个拓扑。很神奇，对吧？尽管前面讲的只是一个简单的例子，不过你大概已经隐约感觉到Storm的强大了。

那么，Storm适用什么应用场景呢？

数据流处理：正如上述的例子，Storm不像其他流处理系统，因为Storm不需要中间队列。
持续计算：持续地向客户端发送数据，它们可以实时的更新以及展现数据，比如网站指标。
分布式远程过程调用：轻松地并行化CPU密集型操作。

（补充）从业务场景上，举例说明Storm的可以处理的具体业务（这部分是黄崇远总结的，觉得比较全面，摘抄在此）

条件过滤：这是Storm最基本的处理方式，对符合条件的数据进行实时过滤，将符合条件的数据保存下来，这种实时查询的业务需求再实际应用中很常见。
中间计算：我们需要改变数据中某一个字段（例如是数值），我们需要利用一个中间值经过计算（值比较、求和、求平均等等）后改变该值，然后将数据重新输出。
求TopN：相信大家对TopN类的业务需求也比较熟悉，在规定时间窗口内，统计数据出现的TopN，该类处理在购物及电商业务需求中，比较常见。
推荐系统：有时候在实时处理时会从mysql及hadoop中获取数据库中的信息，例如在电影推荐系统中，传入数据为：用户当前点播电影信息，从数据库中获取的是该用户之前的一些点播电影信息统计，例如点播最多的电影类型、最近点播的电影类型，及其社交关系中点播信息，结合本次点击及从数据库中获取的信息，生成推荐数据，推荐给该用户。并且该次点击记录将会更新其数据库中的参考信息，这样就是实现了简单的智能推荐。
分布式RPC：Storm有对RPC进行专门的设计，分布式RPC用于对Storm上大量的函数进行并行计算，最后将结果返回给客户端。
批处理：所谓批处理就是数据积攒到一定触发条件，就批量输出，所谓的触发条件类似事件窗口到了，统计数量够了即检测到某种数据传入等等。
热度统计：热度统计实现依赖于Storm提供的TimeCacheMap数据结构，现在可能推荐用RotatingMap，关于这两个数据结构的源码分析，移步Storm TimeCacheMap RotatingMap源码分析，该结构能够在内存中保存近期活跃的对象。我们可以使用它来实现例如论坛中热帖排行计算等。

Storm组件

在Storm集群中，节点被一个主控节点管理，并持续运行。

在Storm集群中有两类节点：主控节点和工作节点。主控节点跑一个后台进程Nimbus，它负责在集群中分发代码，把任务安排给工作节点，监控任务是否失败。工作节点跑后台进程叫Supervisor来执行拓扑的部分功能。Storm的拓扑会在不同机器的工作节点上运行。

因为Storm把集群的状态存在Zookeeper或者本地磁盘，所以后台进程都是无状态的（不需要保存自己的状态，都在zookeeper上），可以在不影响系统健康运行的同时失败或重启。（见图1-2）

在底层Storm使用了zeromq（0mq，zeromq（http://www.zeromq.org）），一个先进的嵌入式的网络通讯库，提供了很棒的功能使得Storm成为可能。以下是zeromq的特点：

支持高并发框架的Socket库
比TCP更快，适用于集群产品和超级计算
通过进程内通信，进程间通信，TCP和多播的形式传递消息
异步的I/O，服务于可扩展的多核消息传输应用
通过扇出（fanout），发布订阅，管道，请求应答实现多对多连接

Storm用了push/pull套接字api

（补充：Storm组件的命名方式）

Storm暴风雨：其组件大多也以气象名词命名

spout龙卷：形象的理解是把原始数据卷进Storm流式计算中

bolt雷电：从spout或者其他bolt中接收数据进行处理或者输出

nimbus雨云：主控节点，存在单点问题，不过可以用watchdog来保证其可用性，fast-fail后马上就启动

topology拓扑：Storm的任务单元，形象的理解拓扑的点是spout或者bolt，之间的数据流是线，整个构成一个拓扑

Storm的特性

所有的设计概念和决策，使得Storm拥有诸多美好的特性，Storm变得独一无二。

编程简单：如果你曾经尝试实时处理抓取的内容，就知道这个过程有多痛苦。但是Storm显著的降低了编码复杂度。
支持多种编程语言：用基于JVM的语言会比较简单，但是Storm也支持任意其他语言，只要使用或者实现一个很小的中间件。（第七章有一个php的例子）
容错性：Storm可以处理工作节点的宕机，在适当的时候重新安排任务。
可扩展性：为了扩展，你需要做的就是往集群里加更多的机器。Storm会往可用的新机器上分配任务。
可靠性：所有的消息保证至少都能处理一次。如果发生错误，这些消息会被处理多次，但从不会丢失数据。
高效：速度是驱动Storm设计的一个重要指标。
事务性：对于绝大部分运算来说，你可以得到消息一次消费的语义。

《Getting started with Storm》译文HomePage 译文索引