Storm及交通实时数据处理课件

1、绪论知识Storm架构一个简单的Storm例子Storm在交通数据处理中的应用目录Storm及交通实时数据处理背景：大数据的产生GBTBPBEBZB数据量的增长：在2006 年，个人用户才刚刚迈进TB时代，全球一共新产生了约180EB的数据；在2011 年，这个数字达到了1.8ZB。有市场研究机构预测（2009年）：到2020 年，整个世界的数据总量将会增长44 倍，达到35.2ZB（1ZB=10 亿TB）！1GB = 230字节1TB = 240字节1PB = 250字节1EB = 260字节1ZB = 270字节背景：大数据处理模式主要的处理模式可以分为流处理（stream process

2、ing）和批处理（batch processing）两种。批处理是先存储后处理（store-process），而流处理则是直接处理（straight-through process）。（有时也分为在线、离线、近线三种）batch processingstream processing背景：多种数据处理技术的出现过去的十年是数据处理变革的十年， MapReduce、 Hadoop以及一些相关的技术使得我们能处理的数据量比以前要大得多得多。但是这些数据处理技术都不是实时的系统 它们设计的目的也不是为了实时计算。然而大规模的实时数据处理已经越来越成为一种业务需求了， 而缺少一个“实时版本的hadoo

3、p”已经成为数据处理整个生态系统的一个巨大缺失。Storm填补了这个缺失。Storm出现之前，需要自己手动维护一个由消息队列（Queues）和消息处理者（Workers）所组成的实时处理网络，消息处理者从消息队列取出一个消息进行处理，更新数据库，发送消息给其它队列进行进一步处理，但是这种计算方式的局限性太大：复杂、不健壮且扩展性差。大数据实时流计算系统（一）Yahoo的S4S4是一个通用的、分布式的、可扩展的、分区容错的、可插拔的流式系统，Yahoo！开发S4系统，主要是为了解决：搜索广告的展现、处理用户的点击反馈。在流式处理领域里，Storm的直接对手是S4。不过，S4冷淡的社区、半成品的代

4、码，在实际商用方面输给Storm不止一条街。Why Storm？Storm：“Hadoop of realtime”、Distributed and fault-tolerant realtime computationStorm定义了一批实时计算的原语。如同hadoop大大简化了并行批量数据处理，storm的这些原语大大简化了并行实时数据处理。storm的一些关键特性如下：分布式系统/运维简单/高度容错/无数据丢失/支持多种编程语言Storm发展现状最新版本：0.9.1在GitHub上超过4000个项目负责人，全球共有29名代码贡献者。（12年）很多公司在使用Storm，这些公司中不乏淘宝，

5、百度，Twitter，Groupon，雅虎等重量级公司。Storm集群：物理的Storm集群主要由一个主节点（master node）和一群工作节点(worker nodes)组成，通过 Zookeeper集群进行协调。主节点通常运行一个后台程序 Nimbus，用于响应分布在集群中的节点，分配任务和监测故障。工作节点同样会运行一个后台程序 Supervisor，用于收听工作指派并基于要求运行工作进程。每个工作节点都是topology中一个子集的实现。Storm集群masterTopology：逻辑的在Storm中，应用程序实现实时处理的逻辑被封装进Storm中的topology中。一个topo

6、logy是由一组Spout组件（数据源）和Bolt组件（数据操作）通过Stream Groupings进行连接的图。Topology：逻辑的流(Stream)Stream是Storm中的一个核心概念，Storm将输入的数据看成流，它是以tuple为单位组成的一条有向无界的数据流。tupletupletupletupletupletupleTopology：逻辑的Stream Groupings：消息的分组方法。Storm提供了六种分组方法：1. 随机分组（Shuffle grouping）：随机分发tuple到Bolt的任务，保证每个任务获得相等数量的tuple。tupletuplebolt3

7、bolt2bolt1ABATopology：逻辑的3. 全部分组（All grouping）：tuple被复制到bolt的所有任务。这种类型需要谨慎使用。tupletuplebolt3bolt2bolt1ABABTopology：逻辑的4. 全局分组（Global grouping）：全部流都分配到bolt的同一个任务。明确地说，是分配给ID最小的那个task。5. 无分组（None grouping）6. 直接分组（Direct grouping）Storm应用程序执行过程总结：名词解释Nimbus：负责资源分配和任务调度.Supervisor：负责接受nimbus分配的任务,启动和停止属于

8、自己管理的worker进程.Topology：storm中运行的一个实时应用程序.Task：worker中每一个spout/bolt的线程称为一个task.Spout：在一个topology中产生源数据流的组件.Bolt：在一个topology中接受数据然后执行处理的组件.Tuple：一次消息传递的基本单元.Stream grouping：消息的分组方法绪论知识Storm架构一个简单的Storm例子Storm在交通数据处理中的应用目录一个具体的例子：Count words在这个例子中，我们会实现一个简单的topology来统计一个文件中的每个单词出现的次数。我们可以把这个例子认为是storm中

9、的“hello world”。为了实现这个topology，我们将使用一个spout来负责读取单词，第一个bolt来标准化单词，第二个bolt来为单词计数，如下图所示：Spout：WordReaderpublic class WordReader implements IRichSpout public void open(Map conf, TopologyContext context,SpoutOutputCollector collector) try this.context = context;this.fileReader = new FileReader(conf.get(wo

10、rdsFile).toString(); catch (FileNotFoundException e) throw new RuntimeException(Error reading file +conf.get(wordFile)+);this.collector = collector;Spout：WordReader（续）public void nextTuple() if(completed)try Thread.sleep(1); catch (InterruptedException e) /Do nothingreturn;String str;BufferedReader

11、reader = new BufferedReader(fileReader);trywhile(str = reader.readLine() != null)this.collector.emit(new Values(str);catch(Exception e)throw new RuntimeException(Error reading tuple,e);finallycompleted = true;项目入口：TopologyMainpublic static void main(String args) throws InterruptedException /Topology

12、 definitionTopologyBuilder builder = new TopologyBuilder();builder.setSpout(word-reader,new WordReader();builder.setBolt(word-normalizer, new WordNormalizer().shuffleGrouping(word-reader);builder.setBolt(word-counter, new WordCounter(),2).fieldsGrouping(word-normalizer, new Fields(word);/ConfigurationConfig conf = new Config();conf.put(wordsFile, args0);conf.setDebug(false);/Topology runconf.put(Config.TOPOLOGY_MAX_SPOUT_PENDING, 1);Creating Our First Topology | 17LocalCluster cluster = new LocalCluster();cluster.submitTopology(Getting-Started-