storm的基础介绍_数据分析_大数据

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。