大数据-storm理论
导读：
第一节：基础架构
1：编程模型
2：架构
3：数据传输
4：高可靠性
5：高维护性
6：数据处理方式
7：对比MR，SPARK
第二节：计算模型
1：spout
2：bolt
3：stream grouping
4：构建拓扑与提交
第三节：架构
第四节：部署
第五节：数据处理
1：同步计算
2：并发机制
第六节：flume+kafka+strom
1：kafka
2：strom兼容kafka
3：flume兼容kafka
第七节：容错机制
1：ACK
2：事务
第一节：基础架构
1、编程模型
DAG （Topology）
Spout（tuple）----->bolt（tuple）--->bolt（tuple）
Spout（数据推送源）
Bolt（数据处理源）
2、架构
Nimbus //主节点上的守护进程
资源管理
任务分配
Jar包任务的上传
Supervisor //从节点上的监督进程
接收nimbus分配的任务
启动、停止自己管理的worker进程（当前supervisor上worker数量由配置文件设定）
Worker //从节点上的工作进程
运行具体处理运算组件的进程（每个Worker对应执行一个Topology的子集）
worker任务类型，即spout任务、bolt任务两种
启动executor
（executor即worker JVM进程中的一个java线程，一般默认每个executor负责执行一个task任务）
3、数据传输
ZMQ（twitter早期产品）
Netty（现用的）
4、高可靠性
异常处理
消息可靠性保障机制(ACK)：
不管在哪个bolt中出现问题，都会回到spout再次走流程，但是有问题，这个情况可以忽略。
5、可维护性
StormUI 图形化监控接口
6、数据处理方式
(1)、异步：无应答
client--->消息队列(kafka等)--->strom--->结果源(mysql，hbase，redis等)
(2)、同步：有应答，需要调用内置的drpc服务器才会是同步的
Client--->DRPC--->strom--->DRPC--->client
7、比较：
第二节：计算模型
Java写，所以不管是sport还是bolt都是类，业务的处理也就是对类中方法的实现
（1）Spout：继承BaseRichSpout或实现IRichSpout
open： //对象创建
This.conf = conf;
This.context= context;
This.collector= collector;
declare方法：声明定义，即定义要向后发送的是什么数据，declare英文注释：声明
可先通过DeclarerOutputFields中的declare方法声明定义的不同数据流，发送数据时通过SpoutOutputCollector中的emit方法指定数据流Id（streamId）参数将数据发送出去
例子：
DeclarerOutputFields
Declarer.declare(new Fields(“num”));
nextTuple方法：数据拉取，数据推送
Spout中最核心的方法是nextTuple，该方法会被Storm线程不断调用、主动从数据源拉取数据，再通过emit方法将数据生成元组（Tuple）发送给之后的Bolt计算
例子：
nextTuple
i++;
List tuple = new Values(i);
This.collector.emit(tuple);
（2）Bolt：继承BaseRichBolt或实现IRichBolt
prepare: //同上面的open一样创建
declare方法：声明定义，即定义要向后发送的是什么数据
可先通过OutputFieldsDeclarer中的declare方法声明定义的不同数据流，发送数据时通过SpoutOutputCollector中的emit方法指定数据流Id（streamId）参数将数据发送出去
execute方法：业务处理
Bolt中最核心的方法是execute方法，该方法负责接收到一个元组（Tuple）数据、真正实现核心的业务逻辑
例子：
Excute
Input.get...byField(“num”);
（3）Stream Grouping – 数据流分组（即数据分发策略）将tuple发送给哪个bolt task来处理
1. Shuffle Grouping 随机分发（常用）
随机分组，随机派发stream里面的tuple，保证每个bolt task接收到的tuple数目大致相同。
轮询，平均分配
例子：.shuffleGrouping(“sport1”);
2. Fields Grouping按字段分组（常用）
按字段分组，比如，按"user-id"这个字段来分组，那么具有同样"user-id"的 tuple 会被分到相同的Bolt里的一个task， 而不同的"user-id"则可能会被分配到不同的task。
例子：.fieldsGrouping(“sport1”,new Fields(“w”));
3. All Grouping所有的节点都获取到全量的（不用）
广播发送，对于每一个tuple，所有的bolts都会收到
4. Global Grouping（不用）
全局分组，把tuple分配给task id最低的task 。
5. None Grouping（同shuffle grouping，不用）
不分组，这个分组的意思是说stream不关心到底怎样分组。目前这种分组和Shuffle grouping是一样的效果。 有一点不同的是storm会把使用none grouping的这个bolt
放到这个bolt的订阅者同一个线程里面去执行（未来Storm如果可能的话会这样设计）。
6. Direct Grouping（指定哪个接收，首先声明Direct Stream指向流，emitDirect用这种的方式发送）
指向型分组， 这是一种比较特别的分组方法，用这种分组意味着消息（tuple）的发送者指定由消息接收者的哪个task处理这个消息。只有被声明为 Direct Stream
的消息流可以声明这种分组方法。而且这种消息tuple必须使用 emitDirect 方法来发射。消息处理者可以通过 TopologyContext 来获取处理它的消息的task
的id (OutputCollector.emit方法也会返回task的id)
7. Local or shuffle grouping（限制在一个工作进程中的随机分发，不用）
本地或随机分组。如果目标bolt有一个或者多个task与源bolt的task在同一个工作进程中，tuple将会被随机发送给这些同进程中的tasks。否则，和普通的Shuffle Grouping行为一致
8. customGrouping（不用）
自定义，相当于mapreduce那里自己去实现一个partition一样。
（4）构建拓扑及提交
Main
topologyBuilder tb = new topologyBuilder();
Tb.setSport(“sport1”,new Sport1());
Tb.setBolt(“bolt1”,new Bolt1(),2).shuffleGrouping(“sport1”); //这里的2是并行度，可以不设；shuffleGrouping是分发策略。
If(args.length > 0){ //集群形式运行
StormSubmitTopology.submitTopology(args[0],new conf(), tb.creatTopology());
}else{ //本地形式运行
localCluster lc = new localCluster();
Lc.submitTopology(“wc”, new conf(), tb.creatTopology());
}
第三节：架构设计
对比：
|
|
Hadoop |
Storm |
|
主节点 |
ResourceManager |
Nimbus |
|
从节点 |
NodeManager |
Supervisor |
|
应用程序 |
Job |
Topology |
|
工作进程 |
Child |
Worker |
|
计算模型 |
Map/Reduce(split,map,shuffle,reduce) |
Spout/Bolt |
任务提交流程：
第四节：环境部署
1、在storm目录中创建logs目录，出现问题时候存放日志
mkdir logs
2、解压
通讯端口是8080
3、修改配置文件 https://blog.csdn.net/l1028386804/article/details/51924272
storm.yaml
storm.zookeeper.servers:
- "node1"
- "node2"
- "node3"
storm.local.dir: "/tmp/storm"
nimbus.host: “node1"
supervisor.slots.ports: //supervisor上运行workers的端口列表.每个worker占用一个端口,且每个端口只运行一个worker.通过这项配 - 6700 置可以调整每台机器上运行的worker数.(调整slot数/每机)
- 6701
- 6702
- 6703
4、查看帮助信息
./storm help
5、启动Zookeeper
./bin/storm dev-zookeeper >> ./logs/zk.out 2>&1 &
6、在node1上启动Nimbus，UI
./bin/storm nimbus >> ./logs/nimbus.out 2>&1 &
./bin/storm ui >> ./logs/ui.out 2>&1 &
7、在node2、node3上启动Supervisor（按照配置每个Supervisor上启动4个slots）
./bin/storm supervisor >> ./logs/supervisor.out 2>&1 &
8、启动Logviewer（可以在浏览器上查看日志）
./bin/storm logviewer &
9、提交jar包到集群：
strom help jar（查看如何提交jar到storm集群）
第五节：数据处理方式
1、同步计算（DRPC）：实现一个demo
集群：
修改配置文件conf/storm.yaml
drpc.servers:
- "node1”
启动：
启动 drpc
storm drpc >> ./logs/drpc.out 2>&1 &
代码：
1、自动方式：不建议使用，比较死板
LinearDRPCTopologyBuilder
2、手动方式：
2、并发机制：
Worker – 进程
一个Topology拓扑会包含一个或多个Worker（每个Worker进程只能从属于一个特定的Topology）
这些Worker进程会并行跑在集群中不同的服务器上，即一个Topology拓扑其实是由并行运行在Storm集群中多台服务器上的进程所组成
Executor – 线程
Executor是由Worker进程中生成的一个线程
每个Worker进程中会运行拓扑当中的一个或多个Executor线程
一个Executor线程中可以执行一个或多个Task任务（默认每个Executor只执行一个Task任务），但是这些Task任务都是对应着同一个组件（Spout、Bolt）。
Task
实际执行数据处理的最小单元
每个task即为一个Spout或者一个Bolt
注意：
Task数量在整个Topology生命周期中保持不变，Executor数量可以变化或手动调整
（默认情况下，Task数量和Executor是相同的，即每个Executor线程中默认运行一个Task任务）
代码中设置数量：
设置Worker进程数
Config.setNumWorkers(int workers)
设置Executor线程数
TopologyBuilder.setSpout(String id, IRichSpout spout, Number parallelism_hint)
TopologyBuilder.setBolt(String id, IRichBolt bolt, Number parallelism_hint)
设置Task数量
ComponentConfigurationDeclarer.setNumTasks(Number val)
例：
Config conf = new Config() ;
conf.setNumWorkers(2);
TopologyBuilder topologyBuilder = new TopologyBuilder();
topologyBuilder.setSpout("spout", new MySpout(), 1);
topologyBuilder.setBolt("green-bolt", new GreenBolt(), 2)
.setNumTasks(4)
.shuffleGrouping("blue-spout);
调整worker与excutor的数量：
Rebalance：命令行动态调整，可以多设置task，以后再发生扩充的时候，就可以直接调整worker与excutor数量来实现迁移
第六节：Flume+kafka+strom
（1）Kafka（Kafka的优势）
简介：
1、角色：
Producers ---topic----consumers
在一个分区中的生产与消费是有序的
2、搭建集群的节点：
Broker //编号
3、如何保证消费的有序性：
消费的偏移量
4、优势
高吞吐量：零拷贝，Netty的网络传输。
数据默认保存7天。
offset会更新到一个kafka自带的topic【__consumer_offsets】
安装：
解压：
Tar gz -C 目录
配置：
config/server.properties:
Broker.id
Log.dirs=真实数据存储路径
Zookeeper.connect=node01:2181,node02:2181
启动：
bin/kafka-server-start.sh config/server.properties //启动kafka，且指定要读取哪个配置文件
测试：
查看帮助手册：
bin/kafka-console-consumer.sh help
查看topic列表：
bin/kafka-topics.sh --zookeeper node06:2181,node07:2181,node08:2181 --list
查看“test”topic描述：
bin/kafka-topics.sh --zookeeper node06:2181,node07:2181,node08:2181 --describe --topic test
Topic创建
bin/kafka-topics.sh --zookeeper node06:2181,node07:2181,node08:2181 --create --replication-factor 2 --partitions 3 --topic test
（参数说明：
--replication-factor：副本个数，默认1个
--partitions：指定当前创建的topic分区数量，默认1个（向几个分区中分发数据，此时一个分区有序，整体无序）
--topic：指定新建topic的名称
）
Producer创建（往主题中生产数据）
bin/kafka-console-producer.sh --broker-list node06:9092,node07:9092,node08:9092 --topic test
Consumer创建（消费某主题的数据）
bin/kafka-console-consumer.sh --zookeeper node06:2181,node07:2181,node08:2181 --from-beginning --topic test
（参数说明：
--from-beginning 从头消费
）
（2）strom兼容kafka
kafkaSpout 消费kafka数据
kafkaBolt 生产kafka数据
（3）Flume兼容kafka
1、flume安装
(1)解压
(2)配置flume-env.sh
配置Java的环境变量位置
(3)在conf/下 创建配置文件fk.conf
#取别名
a1.sources = r1 a1.sinks = k1 a1.channels = c1 # Describe/configure the source a1.sources.r1.type = avro //客户端连接source源的协议 a1.sources.r1.bind = node06 //flume所在节点（如果是集群呢？？？？？？？？？？？？？？？） a1.sources.r1.port = 41414 //与flume连接的端口 # Describe the sink 对输出源的规定 a1.sinks.k1.type = org.apache.flume.sink.kafka.KafkaSink //往哪里推送 a1.sinks.k1.topic = testflume //主题 a1.sinks.k1.brokerList = node06:9092,node07:9092,node08:9092 a1.sinks.k1.requiredAcks = 1 //数据完整保障机制，1：主节点告诉消息已传递即可，0：只管推送，-1：所有的都反馈 a1.sinks.k1.batchSize = 20 a1.sinks.k1.channel = c1 # Use a channel which buffers events in memory 内存区设定 a1.channels.c1.type = memory a1.channels.c1.capacity = 1000000 a1.channels.c1.transactionCapacity = 10000 # Bind the source and sink to the channel a1.sources.r1.channels = c1 a1.sinks.k1.channel = c1
(4)启动flume
bin/flume-ng agent -n a1 -c conf -f conf/fk.conf -Dflume.root.logger=DEBUG,console
//agent是代理
//Dflume.root.logger=DEBUG,console 日志输出格式，控制台打印debug日志
第七节：容错机制
1、容错机制（消息的完整性：速度降低了，完整度提高）：
(1) 怎么判断消息是否完整传递：
传递数据的同时，带有16位二进制的ID，数据传递到下一个点时候，将新的ID进行xor运算，如果是全0，则说明数据正常传递。
如果有问题，则通知spout重新发送。
(2) Ack
保证数据至少一次发送，但是不保证会重复。
2、事务：
要解决的问题：
事务解决让数据有且仅有一次被处理。
Transcation：
tuple传递时候带着transcationID，且这个ID是线性增长，数据的处理也是强有序性的。
将tuple存入库时，那么可根据ID判断，如果有这个ID的数据了，那么就是代表数据被处理过了，就不做处理了。
弊端：每次的tuple频繁的与数据库交互。所以衍生出：
Design2：
现在是多个tuple组成batch，这个批里面带着一个transcationID，以批处理形式，进行数据传递与数据库交互。
弊端：一个batch在运行时候，其他的是在阻塞状态，不仅影响速度，还有资源浪费。
Design3：
在前面的bolt阶段，所有的batch是自由竞争阶段，但是在要入库时候还是要保持强有序性。
