一、简要介绍
对于大数据的处理,在离线方面,Hadoop很完美地解决了,对于实时数据的处理则无能为力。
Storm是一个开源的分布式实时计算系统,可以简单、可靠地处理大量的数据流。
Storm有很多使用场景,如实时分析、在线机器学习、持续计算、分布式RPC、ETL等。
Storm支持水平扩展,具有高容错性,保证每个消息都会得到处理,而且处理速度很快(在一个小集群中,每个节点每秒可以处理数以百万计的消息)。
Storm的部署和运维都很便捷,而且更为重要的是可以使用任意编程语言来开发应用。
二、系统特性
1、编程模型简单
Storm为大数据的实时计算提供了一些简单优美的原语,这大大降低了开发并行实时处理任务的复杂性,帮助你快速、高效的开发应用。
2、可扩展
在Storm集群中真正运行Topology的主要有三个实体:工作进程、线程和任务。
Storm集群中的每台机器上都可以运行多个工作进程,每个工作进程又可创建多个线程,每个线程可以执行多个任务,任务是真正进行数据处理的实体,Spout、Bolt被开发出来就是作为一个或者多个任务的方式执行的。
3、高可靠性
Storm可以保证Spout发出的每条消息都能被“完全处理”,Spout发出的消息后续可能会触发产生成千上万条消息,可以形象地理解为一棵消息树,其中Spout发出的消息为树根,Storm会跟踪这个消息树的处理情况,只有这棵树中的所有消息被处理了才认为“完全处理”了,否则Spout会重发消息。
4、高容错性
如果在消息处理过程中出现了一些异常,Storm会重新部署这个出问题的处理单元。Storm保证一个处理单元永远运行(除非你显示的结束这个处理单元)。
5、支持多种编程语言
除了用Java实现Spout和Bolt,你还可以使用任何你熟悉的编程语言来完成这项工作,这一切得益于Storm所谓的多语言协议。
多语言协议是Storm内部的一种特殊协议,允许Spout或者Bolt使用标准输入和标准输出来进行消息传递,传递的消息为单行文本或者JSON编码的多行。
6、支持本地模式
Storm有一种“本地模式”,也就是在进程中模拟一个Storm集群的所有功能,以本地模式运行Topology跟在集群上运行Topology类似,这对于我们开发和测试来说非常有用。
7、高效
用ZeroMQ作为底层消息队列,保证消息能快速被处理。
8、运维和部署简单
Storm计算任务是以“拓扑”为基本单位的,每个拓扑完成特定的业务指标,拓扑中的每个逻辑业务节点实现特定的逻辑,并通过消息相互协作。
实际部署时,仅需要根据情况配置逻辑节点的并发数,而不需要关心部署到集群中的哪台机器,Storm支持动态增加节点但不会自动负载均衡。
9、图形化监控
图形界面,可以监控各个拓扑的信息,包括每个处理单元的状态和处理消息的数量。
三、类似系统
这里主要将Yahoo!S4和IBM InfoSphere Streams与Storm进行对比。
1、Yahoo!S4
(1)系统模型:通过把任务分解为尽可能小的处理单元,各处理单元之间形成流水线,从而提高并发度和吞吐量,处理单元的粒度由开发者自行把握,这点与Storm相似,不同的是S4内置的处理单元PE还可以处理count、join和aggregate等常见任务需求。
(2)开发:S4使用Java开发,模块高度可定制化。
(3)通信协议:S4节点间通信采用POJOs(Plain Old Java Objects)模式,底层通信协议采用UDP。
(4)高可用:S4集群中所有节点对等,无单点问题。
(5)运维与部署:S4不支持动态部署和动态增删节点,这两点Storm都支持。
2、IBM InfoSphere Streams
(1)系统模型:通过把任务分解为尽可能小的处理单元,各处理单元之间形成流水线,从而提高并发度和吞吐量,各处理单元只能完成预定的操作(如:join、merge等),强制限制每个处理单元的粒度。
(2)开发:定制的开发环境Eclipse-SPL(Steam Programming Language)。
(3)高可用:与S4和Storm一样支持故障转移。
(4)运维与部署:部署半自动化,支持动态增加节点,且根据负载自动均衡,这点Storm不支持。
四、应用模式
1、海量数据处理
Storm由于其高效、可靠、可扩展、易部署、高容错及实时性高等特点,对于海量数据的实时处理非常合适。
比如:统计网站的页面浏览量(如:Page View即PV)指标,Storm可以做到实时接收到点击数据流,并实时计算出结果。
2、中间状态存储与查询
对于Storm实时计算出的中间结果,可以实时写入MySQL或者HBase,以便于用户查询。
3、数据增量更新
对于PV指标的计算,如果直接实时修改HBase,则HBase压力会很大。
可以将数据在Storm内计算短暂的一段时间后,增量地合并到HBase,以牺牲一定查询结果的实时性换取HBase压力的减轻。
4、结合概率算法实时计算复杂指标
Storm实时处理数据,相对离线处理而言需要大量内存存储中间状态,为了减少内存的消耗,可以根据业务特点(如:Unique Visitor即UV)采用概率算法近似计算结果。
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14