160 lines
8.4 KiB
Markdown
160 lines
8.4 KiB
Markdown
# Storm 核心概念详解
|
||
|
||
<nav>
|
||
<a href="#一storm核心概念">一、Storm核心概念</a><br/>
|
||
<a href="#11--Topologies拓扑">1.1 Topologies（拓扑）</a><br/>
|
||
<a href="#12--Streams流">1.2 Streams（流）</a><br/>
|
||
<a href="#13-Spouts">1.3 Spouts</a><br/>
|
||
<a href="#14-Bolts"> 1.4 Bolts</a><br/>
|
||
<a href="#15-Stream-groupings分组策略">1.5 Stream groupings（分组策略）</a><br/>
|
||
<a href="#二storm架构详解">二、Storm架构详解</a><br/>
|
||
<a href="#21-nimbus进程">2.1 nimbus进程</a><br/>
|
||
<a href="#22-supervisor进程">2.2 supervisor进程</a><br/>
|
||
<a href="#23-zookeeper的作用">2.3 zookeeper的作用</a><br/>
|
||
<a href="#24-worker进程">2.4 worker进程</a><br/>
|
||
<a href="#25-executor线程">2.5 executor线程</a><br/>
|
||
<a href="#26-并行度">2.6 并行度</a><br/>
|
||
</nav>
|
||
|
||
## 一、Storm核心概念
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/spout-bolt.png"/> </div>
|
||
|
||
### 1.1 Topologies（拓扑）
|
||
|
||
一个完整的Storm流处理程序被称为Storm topology(拓扑)。它是一个是由`Spouts` 和`Bolts`通过`Stream`连接起来的有向无环图，Storm会保持每个提交到集群的topology持续地运行，从而处理源源不断的数据流，直到你将主动其杀死(kill)为止。
|
||
|
||
### 1.2 Streams（流）
|
||
|
||
`Stream`是Storm中的核心概念。一个`Stream`是一个无界的、以分布式方式并行创建和处理的`Tuple`序列。Tuple可以包含大多数基本类型以及自定义类型的数据。简单来说，Tuple就是流数据的实际载体，而Stream就是一系列Tuple。
|
||
|
||
### 1.3 Spouts
|
||
|
||
`Spouts`是流数据的源头，一个Spout 可以向不止一个`Streams`中发送数据。`Spout`通常分为**可靠**和**不可靠**两种：可靠的` Spout`能够在失败时重新发送 Tuple, 不可靠的`Spout`一旦把Tuple 发送出去就置之不理了。
|
||
|
||
### 1.4 Bolts
|
||
|
||
`Bolts`是流数据的处理单元，它可以从一个或者多个`Streams`中接收数据，处理完成后再发射到新的`Streams`中。`Bolts`可以执行过滤(filtering)，聚合(aggregations)，连接(joins)等操作，并能与文件系统或数据库进行交互。
|
||
|
||
### 1.5 Stream groupings（分组策略）
|
||
|
||
<div align="center"> <img width="400px" src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/topology-tasks.png"/> </div>
|
||
|
||
`spouts`和`bolts`在集群上执行任务时，是由多个Task并行执行(如上图，每一个圆圈代表一个Task)。当一个Tuple需要从Bolt A发送给Bolt B执行的时候，程序如何知道应该发送给Bolt B的哪一个Task执行呢？
|
||
|
||
这是由Stream groupings分组策略来决定的，Storm中一共有如下8个内置的Stream Grouping。当然你也可以通过实现 `CustomStreamGrouping`接口来实现自定义Stream分组策略。
|
||
|
||
1. **Shuffle grouping**
|
||
|
||
Tuples随机的分发到每个Bolt的每个Task上，每个Bolt获取到等量的Tuples。
|
||
|
||
2. **Fields grouping**
|
||
|
||
Streams通过grouping指定的字段(field)来分组。假设通过`user-id`字段进行分区，那么具有相同`user-id`的Tuples就会发送到同一个Task。
|
||
|
||
3. **Partial Key grouping**
|
||
|
||
Streams通过grouping中指定的字段(field)来分组，与`Fields Grouping`相似。但是对于两个下游的Bolt来说是负载均衡的，可以在输入数据不平均的情况下提供更好的优化。
|
||
|
||
4. **All grouping**
|
||
|
||
Streams会被所有的Bolt的Tasks进行复制。由于存在数据重复处理，所以需要谨慎使用。
|
||
|
||
5. **Global grouping**
|
||
|
||
整个Streams会进入Bolt的其中一个Task，通常会进入id最小的Task。
|
||
|
||
6. **None grouping**
|
||
|
||
当前None grouping 和Shuffle grouping等价，都是进行随机分发。
|
||
|
||
7. **Direct grouping**
|
||
|
||
Direct grouping只能被用于direct streams 。使用这种方式需要由Tuple的生产者直接指定由哪个Task进行处理。
|
||
|
||
8. **Local or shuffle grouping**
|
||
|
||
如果目标Bolt有Tasks和当前Bolt的Tasks处在同一个Worker进程中，那么则优先将Tuple Shuffled到处于同一个进程的目标Bolt的Tasks上，这样可以最大限度地减少网络传输。否则，就和普通的`Shuffle Grouping`行为一致。
|
||
|
||
|
||
|
||
## 二、Storm架构详解
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/Internal-Working-of-Apache-Storm.png"/> </div>
|
||
|
||
### 2.1 Nimbus进程
|
||
|
||
也叫做Master Node，是Storm集群工作的全局指挥官。主要功能如下：
|
||
|
||
1. 通过Thrift接口，监听并接收Client提交的Topology；
|
||
2. 根据集群Workers的资源情况，将Client提交的Topology进行任务分配，分配结果写入Zookeeper;
|
||
3. 通过Thrift接口，监听Supervisor的下载Topology代码的请求，并提供下载 ;
|
||
4. 通过Thrift接口，监听UI对统计信息的读取，从Zookeeper上读取统计信息，返回给UI;
|
||
5. 若进程退出后，立即在本机重启，则不影响集群运行。
|
||
|
||
|
||
|
||
### 2.2 Supervisor进程
|
||
|
||
也叫做Worker Node , 是Storm集群的资源管理者，按需启动Worker进程。主要功能如下：
|
||
|
||
1. 定时从Zookeeper检查是否有新Topology代码未下载到本地 ，并定时删除旧Topology代码 ;
|
||
2. 根据Nimbus的任务分配计划，在本机按需启动1个或多个Worker进程，并监控所有的Worker进程的情况；
|
||
3. 若进程退出，立即在本机重启，则不影响集群运行。
|
||
|
||
|
||
|
||
### 2.3 zookeeper的作用
|
||
|
||
Nimbus和Supervisor进程都被设计为**快速失败**（遇到任何意外情况时进程自毁）和**无状态**（所有状态保存在Zookeeper或磁盘上）。 这样设计的好处就是如果它们的进程被意外销毁，那么在重新启动后，就只需要从Zookeeper上获取之前的状态数据即可，并不会造成任何数据丢失。
|
||
|
||
|
||
|
||
### 2.4 Worker进程
|
||
|
||
Storm集群的任务构造者 ，构造Spoult或Bolt的Task实例，启动Executor线程。主要功能如下：
|
||
|
||
1. 根据Zookeeper上分配的Task，在本进程中启动1个或多个Executor线程，将构造好的Task实例交给Executor去运行；
|
||
2. 向Zookeeper写入心跳 ；
|
||
3. 维持传输队列，发送Tuple到其他的Worker ；
|
||
4. 若进程退出，立即在本机重启，则不影响集群运行。
|
||
|
||
|
||
|
||
### 2.5 Executor线程
|
||
|
||
Storm集群的任务执行者 ，循环执行Task代码。主要功能如下：
|
||
|
||
1. 执行1个或多个Task；
|
||
2. 执行Acker机制，负责发送Task处理状态给对应Spout所在的worker。
|
||
|
||
|
||
|
||
### 2.6 并行度
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/relationships-worker-processes-executors-tasks.png"/> </div>
|
||
|
||
1个Worker进程执行的是1个Topology的子集，不会出现1个Worker为多个Topology服务的情况，因此1个运行中的Topology就是由集群中多台物理机上的多个Worker进程组成的。1个Worker进程会启动1个或多个Executor线程来执行1个Topology的Component(组件，即Spout或Bolt)。
|
||
|
||
Executor是1个被Worker进程启动的单独线程。每个Executor会运行1个Component中的一个或者多个Task。
|
||
|
||
Task是组成Component的代码单元。Topology启动后，1个Component的Task数目是固定不变的，但该Component使用的Executor线程数可以动态调整（例如：1个Executor线程可以执行该Component的1个或多个Task实例）。这意味着，对于1个Component来说，`#threads<=#tasks`（线程数小于等于Task数目）这样的情况是存在的。默认情况下Task的数目等于Executor线程数，即1个Executor线程只运行1个Task。
|
||
|
||
**总结如下：**：
|
||
|
||
+ 一个运行中的Topology由集群中的多个Worker进程组成的；
|
||
+ 在默认情况下，每个Worker进程默认启动一个Executor线程；
|
||
+ 在默认情况下，每个Executor默认启动一个Task线程；
|
||
+ Task是组成Component的代码单元。
|
||
|
||
|
||
|
||
## 参考资料
|
||
|
||
1. [storm documentation -> Concepts](http://storm.apache.org/releases/1.2.2/Concepts.html)
|
||
|
||
2. [Internal Working of Apache Storm](https://www.spritle.com/blogs/2016/04/04/apache-storm/)
|
||
3. [Understanding the Parallelism of a Storm Topology](http://storm.apache.org/releases/1.2.2/Understanding-the-parallelism-of-a-Storm-topology.html)
|
||
4. [Storm nimbus 单节点宕机的处理](https://blog.csdn.net/daiyutage/article/details/52049519)
|
||
|