大数据技术之Storm

鸡汤: 八十分的你和一百分的学霸差距不仅仅是这二十分。

1. 离线计算

  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

2. 流式计算

  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、Redis实时结果缓存、持久化存储(mysql)。

  离线计算与实时计算最大的区别： 实时收集、实时计算、实时展示

3. Storm概述

  Storm是一个分布式计算框架，主要使用Clojure与Java语言编写，最初是由Nathan Marz带领Backtype公司团队创建，在Backtype公司被Twitter公司收购后进行开源。最初的版本是在2011年9月17日发行，版本号0.5.0。

  2013年9月，Apache基金会开始接管并孵化Storm项目。Apache Storm是在Eclipse Public License下进行开发的，它提供给大多数企业使用。经过1年多时间，2014年9月，Storm项目成为Apache的顶级项目。目前，Storm的最新版本1.1.0。

  Storm是一个免费开源的分布式实时计算系统。Storm能轻松可靠地处理无界的数据流，就像Hadoop对数据进行批处理

4. Storm与Hadoop的区别

  • Storm用于实时计算，Hadoop用于离线计算。
  • 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，一批一批处理。
  • Storm的数据通过网络传输进来；Hadoop的数据保存在磁盘中。
  • Storm与Hadoop的编程模型相似
Storm hadoop
角色 Nimbus JobTracker
Supervisor TaskTracker
Worker Child
应用名称 Topology Job
编程接口 Spout/Bolt Mapper/Reducer
  • hadoop相关名称

  Job：任务名称

  JobTracker：项目经理（JobTracker对应于NameNode；JobTracker是一个master服务，软件启动之后JobTracker接收Job，负责调度Job的每一个子任务task运行于TaskTracker上，并监控它们，如果发现有失败的task就重新运行它。）

  TaskTracker：开发组长（TaskTracker对应于DataNode；TaskTracker是运行在多个节点上的slaver服务。TaskTracker主动与JobTracker通信，接收作业，并负责直接执行每一个任务。）

  Child：负责开发的人员

   Mapper/Reduce：开发人员中的两种角色，一种是服务器开发、一种是客户端开发

  • storm相关名称

  Topology：任务名称

  Nimbus：项目经理

  Supervisor：开组长

  Worker：开人员

  Spout/Bolt：开人员中的两种角色，一种是服务器开发、一种是客户端开发

5. 案例

  Storm用来实时计算源源不断产生的数据，如同流水线生产。

5.1 运用场景

  • 推荐系统：实时推荐，根据下单或加入购物车推荐相关商品
  • 金融系统：实时分析股票信息数据
  • 预警系统：根据实时采集数据，判断是否到了预警阈值。
  • 网站统计：实时销量、流量统计，如淘宝双11效果图

5.2 典型案列

  • 京东-实时分析系统：实时分析用户的属性，并反馈给搜索引擎

  最初，用户属性分析是通过每天在云上定时运行的MR job来完成的。为了满足实时性的要求，希望能够实时分析用户的行为日志，将最新的用户属性反馈给搜索引擎，能够为用户展现最贴近其当前需求的结果。

  • 携程-网站性能监控：实时分析系统监控携程网的网站性能

  利用HTML5提供的performance标准获得可用的指标，并记录日志。Storm集群实时分析日志和入库。使用DRPC聚合成报表，通过历史数据对比等判断规则，触发预警事件

  • 淘宝双十一：实时统计销售总额

6. Storm特点

  • 适用场景广泛：Storm可以适用实时处理消息、更新数据库、持续计算等场景。
  • 可伸缩性高：Storm的可伸缩性可以让Storm每秒处理的消息量达到很高。扩展一个实时计算任务，你所需要做的就是加机器并且提高这个计算任务的并行度。Storm使用Zookeeper来协调机器内的各种配置使得Storm的集群可以很容易的扩展。
  • 保证无数据丢失：Storm保证所有的数据都被处理。
  • 异常健壮：Storm集群非常容易管理，轮流重启节点不影响应用。
  • 容错性好：在消息处理过程中出现异常，Storm会进行重试。