Samza文档翻译 : Architecture

http://samza.incubator.apache.org/learn/documentation/0.7.0/introduction/architecture.html

Samza由三层组成：

1. A streaming layer 消息流层
2. An execution layer 执行层
3. A processing layer 处理层

Samza自身提供了对所有三个层的支持：

1. Streaming : Kafka
2. Execution: YARN
3. Processing: Samza API

这三个部分组装到一起构成了Samza:

这个架构遵循了Hadoop的类似模式(使用YARN做为执行层，HDFS做存储，MapReduce做处理层API)

在对这三层的每一层做深入介绍之前，首先要说明下：Samza不仅支持Kafka和YARN。Samza的执行层和消息流层都是pluggable的，并且如果用户喜欢，可以自己实现。

Kafka

Kafka是一个分布式的发布-订阅以及消息队列系统，提供了at least once的消息保证(也就是说这个系统保证了没有消息会丢失，但是在特定的错误情境下，一个consumer可能会收到多于一次的同一条消息),并且高可用的partition(也就是说一个stream的partition即使在机器down掉的情下仍然可用)。

在kafka，每一个流被称为一个topic。每个topic被分区以备份到多个机器上，这些机器叫broker。当一个producer发送一条消息到一个topic，这个producer提供一个key，来决定这个消息应该被送往topic的哪个partition。Kafka broker接收消息，并且存储消息。Kafka consumer可以通过订阅 这个topic的所有partition来读取这个topic(译注：Kafka consumer可以计阅特定的partition，但是要获取一个topic的所有消息，就得订阅这个topic的所有partition)。

Kafka有一些有趣的属性：

• 发给一个topic的有相同key的消息都被发送往同一个partition。这意味着，如果你想要读关于某个user ID的所有消息，只需要读包括这个user ID的的那个partition，而不是整个topic(假设user ID被当作key)
• 一个partition是一个消息序列，其顺序为消息到达的顺序，所有你可以使用一个单调递增的offset(就像数组的索引一样)来引用partition里的消息。这意味着broker不用追踪哪个消息被哪个consumer消费过——consumer可以自己记录消费的状态，它只要记录下它消费的最后一条消息的offset就行。(译注：设想如果消息没有offset，当消费者重启时，它该怎么知道自己上次消费到哪了。offset使得服务器端不需要记录消费者的状态，这个状态消费者可以自己维护)。消费者就知道所有offset小于当前offset的消费都已经被处理了；所有offset更大的消息都还没有被处理。

更详细的信息，请看kafka的文档。

YARN

YARN(Yet Another Resource Negotiator)是Hadoop的下一代集群调度器。它允许你分派一定数目的 container(进程)到一个集群中，并且在container中执行任意的指令。

当一个应用程序与YARN交互时，看起来就像这样:

1. 应用程序： 我想要在两台512M内存的机器上运行指令X
2. YARN: 酷， 你的代码哪呢？
3. 应用程序: http://path.to.host/jobs/download/my.tgz
4. YARN：我现在在node-1.grid和node-2.grid上跑你的程序啦

Samza使用YARN来管理其部署、容错、日志记录、资源隔离、安全，以及本地化。下面有一个对YARN的简介；这篇Hortonworks的文章做了一个更好的概述。

YARN的架构

YARN有三个重要的部分：一个资源管理器ResourceManager、一个NodeManager、一个ApplicationMaster。在一个YARN grid中，每个机器运行着一个NodeManager，NodeManager负责在这台机器上启动进程。ResourceManager告诉所有NodeManager它们应该运行什么。当应用程序想要在集群上运行的时候，它会与ResourceManager来对话。第三个部分，ApplicationMaster，实际上是一段应用程序指定的运行在YARN集群上的代码，它负责管理应用程序的工作负荷，请求获取container(通常是UNIX进程)，以及当container出现故障时处理通知。

Samza 和 YARN

Samza提供了一个YARN ApplicationMaster和一个自带的YARN job。Samza和YARN的整合用下面的图列出(不同的颜色表示不同的主机)

当Samza client启动一个Samza job时，它与YARN RM进行通信。YARN RN告诉一个YARN NM来在集群上给Samza的ApplicationMaster分配空间。当NM分配好空间以后，它启动Samza AM。当Samza AM启动后，它向YARN RM请求一个或更多的 YARN container来运行Samza TaskRunner。然后，RM和NM一起工作，来为containers安排空间。当空间被分配好了，NM启动Samza containers.

Samza

Samza使用YARN和Kafka来提供一个框架，用于多级流处理和分区stage-wise stream processing and partitioning。所有东西在一起，看来就样(用不同的颜色表示不同的主机)

Samza client使用YARN来运行Samza任务。SamzaTaskRunners运行在一个或更多的YARN containers，并且执行用户输入的Samza StreamTasks. Samza Stream Task的输入和输出都来自Kafka brokers，这些brokers通常和YARN NMs座落在同样的一些机器上。

例子

让我们来看一下真正的例子：假如我们想要计算页面点击量的总数。使用SQL时，你可能会这么写：

SELECT user_id, COUNT(*) FROM PageViewEvent GROUP BY user_id.

虽然Samza现在不支持SQL，但是思想是一致的。这个查询需机两个job:一个将消息按user ID分组，另一个来做计数。

在第一个job里，把有相同user ID的消息发送到一个中间topic的相同partition里，以此来完成分组。为了做到这些，你可以在第一个job里用user ID做为消息的key，这key被映射到中间topic的一个partition(通过对key做哈希，然后对partition数量求模)。第二个job消费中间的topic。第二个job中的每个task，消费中间topic的一个partition，也就是所有user ID的一个子集对应的所有消息。Task对于分配给它的partition里的每一个用户id有一个计数器，每当这个task收到一个消息时，它就会更新这个消息中的user ID对应的计数器。

如果你熟悉Hadoop，你可能把这个认为是一个Map/Reduce操作，在mapper中，每条记录和一个特定的key关联，有相同key的记录被这个框架组织到一起，然后在reducer中进行计数。Hadoop和Samza的不同在于Hadoop操作于确定的输入，而Samza工作于无界的数据流。

kafka接受第一个job发送的消息，并把它们缓存在磁盘，分布在多个机器中。这样来帮助这个系统的容错：如果机器故障了，没有消息会丢失，因为它们被复制到了其它机器上。如果第二个job工作很慢或者因为某些原因停止消费消息，第一个job也不会受影响:磁盘缓存会吸收第一个job积压的消息直到第二个job追赶上来。

通过topic分区，以及把一个流处理分成在多个机器上运行的job和并行的task，Samza可以扩展到可以流处理非常高的消息吞吐量，通过使用YARN和Kafka，Samza实现容错：如果一个处理或者机器down了，它会自动在另一个机器上重启，并且从上次停下来的点继处理。

下一节：对比介绍