Hadoop之Storm基础

1、离线计算是什么
　　离线计算：批量获取数据，批量传输数据，周期性批量计算数据，数据展示
　　代表技术：sqoop批量导入数据，hdfs批量存储数据，mapreduce批量计算数据，hive批量计算数据，***任务调度

2、流式就算是什么
　　流式计算：数据实时产生，数据实时传输，数据实时计算，实时展示
　　代表技术：flume实时获取数据，kafka实时数据存储，storm/jstorm实时数据计算，redies实时结果缓存
　　----将源源不断的数据实时收集，并实时计算，尽可能得到计算结果

3、Storm是什么
　　Storm用来实时处理数据，特点：低延迟，高可用，分布式，可扩展，数据不丢失，提供简单容易的接口，便于开发

4、storm和hadoop的区别
　　1）storm用于实时计算，hadoop用于离线计算
　　2）storm处理的数据保存在内存中，源源不断，hadoop处理的数据保存在文件系统中，一批一批
　　3）storm的数据通过网络传输进来，hadoop的数据保存在磁盘中
　　storm hadoop
　　应用名称 topology job
　　编程接口 spout/bolt Mapper/Reducer

5、storm应用场景及行业案例
　　运用场景
　　日志分析 管道系统 消息转化器
　　典型案例
　　　　1、一淘-实时分析系统：实时分析用户的属性，并反馈给搜索引擎
　　　　2、携程-网站性能监控：实时分析系统监控携程网的网站性能
　　　　3、阿里妈妈-用户画像：实时计算用户的兴趣数据

6、Storm的核心组件
　　1、Nimbus：负责资源分配和任务调度，对任务监控
　　2、Superviser：当前物理机的管理者，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
　　　　worker的数量是根据端口来的 ----通过配置文件设置当前superviser上启动多少个worker
　　3、worker：执行具体任务的组件，任务类型有两种，spout任务，bolt任务，一个worker
　　　　中可能同时存在 运行具体处理组件逻辑进程
　　4、task：worker中每一个spout/bolt的线程称为一个task ，每个线程默认叫做executor

7、Storm编程模型
　　1、topology：storm中运行的一个实例应用程序的名称。
　　2、spout：在一个topology中获取源数据流的文件
　　　　通常情况下spout会从外部数据源中读取数据，然后转换为topology内部源数据
　　3、bolt：接受数据然后执行处理的组件，用户可以在其中执行自己想要的逻辑
　　4、tuple：一次消息传递的基本单元，理解为一组消息就是一个tuple
　　5、stream：表示数据的流向

8、编程模型
　　datasource：外部数据源
　　spout：接收外部数据源的组件，将外部数据源转化为storm的内部数据源
　　　　　　以tuple为基本的传输单元下发给bolt
　　bolt：接收spout发送的数据，或者上游的bolt的发送数据，根据业务逻辑自行处理，发送给下一个bolt
　　　　或者是存储在某种介质上，介质可以是redis或者mysql。。
　　tuple：storm内部中数据传输的基本单元，里面封装了一个list对象，用来保存数据
　　　　streamgrouping：数据分组策略
　　　　7种，shufflegrouping（random函数），non grouping（random函数），fieldgrouping（hash取模）
　　　　local or shufflegrouping 本地或者随机，优先本地

9、并发度
　　用户指定的一个任务，可以被多个线程执行，并发度的数量等于线程的数量
　　一个任务的多个线程，，会被运行在多个worker（jvm）上，类似于一种平均算法的负载均衡策略
　　尽可能减少网络io，和hadoop中mapreduce中的本地计算道理是一样的

10、架构
　　nimbus;任务分配
　　superviser：接收任务，并启动管理worker，worker的数量是根据端口号决定的
　　worker：执行任务的具体组件（其实就是一个jvm），可以执行两种类型的任务，spout或者bolt任务
　　task：task=线程=executor ，一个task属于一个spout或者bolt并发任务
　　zookeeper：保存任务的信息

11、流式计算的一般架构
　　网站系统——Flume集群（获取数据）——kafka集群（用来临时保存数据）——storm集群（用来计算数据）——Redis集群（内存数据库，保存数据）

12、Storm常用命令
　　有许多简单且有用的命令可以用来管理拓扑，它们可以提交、杀死、禁用、再平衡拓扑。
　　1）、提交任务命令格式：storm jar 【jar路径】 【拓扑包名.拓扑类名】 【拓扑名称】
　　　　bin/storm jar examples/storm-starter/storm-starter-topologies-0.10.0.jar storm.starter.WordCountTopology wordcount
　　2）、杀死任务命令格式：storm kill 【拓扑名称】 -w 10（执行kill命令时可以通过-w [等待秒数]指定拓扑停用以后的等待时间）
　　　　storm kill topology-name -w 10
　　3）、 停用任务命令格式：storm deactivte 【拓扑名称】
　　　　storm deactivte topology-name
　　　　我们能够挂起或停用运行中的拓扑。当停用拓扑时，所有已分发的元组都会得到处理，但是spouts的nextTuple方法
　　　　不会被调用。销毁一个拓扑，可以使用kill命令。它会以一种安全的方式销毁一个拓扑，首先停用拓扑，
　　　　在等待拓扑消息的时间段内允许拓扑完成当前的数据流。
　　4）、启用任务命令格式：storm activate【拓扑名称】
　　　　storm activate topology-name
　　5）、 重新部署任务命令格式：storm rebalance 【拓扑名称】
　　　　storm rebalance topology-name
　　　　再平衡使你重分配集群任务。这是个很强大的命令。比如，你向一个运行中的集群增加了节点。再平衡命令将会
　　　　停用拓扑，然后在相应超时时间之后重分配工人，并重启拓扑。

13、查看日志信息
　　查看nimbus的日志信息
　　　　在nimbus的服务器上
　　　　cd /export/servers/storm/logs
　　　　tail -100f /export/servers/storm/logs/nimbus.log
　　查看ui运行日志信息
　　　　在ui的服务器上，一般和nimbus一个服务器
　　　　cd /export/servers/storm/logs
　　　　tail -100f /export/servers/storm/logs/ui.log
　　查看supervisor运行日志信息
　　　　在supervisor服务上
　　　　cd /export/servers/storm/logs
　　　　tail -100f /export/servers/storm/logs/supervisor.log
　　查看supervisor上worker运行日志信息
　　　　在supervisor服务上
　　　　cd /export/servers/storm/logs
　　　　tail -100f /export/servers/storm/logs/worker-6702.log