初学storm的一些基本概念

1、元组（Tuple）

元组（Tuple），是消息传递的基本单元，是一个命名的值列表，元组中的字段可以是任何类型的对象。Storm使用元组作为其数据模型，元组支持所有的基本类型、字符串和字节数组作为字段值，只要实现类型的序列化接口就可以使用该类型的对象。元组本来应该是一个key-value的Map，但是由于各个组件间传递的元组的字段名称已经事先定义好，所以只要按序把元组填入各个value即可，所以元组是一个value的List。

拓扑的每个节点必须声明emit（发射）的元组的输出字段。例如，下面的DoubleAndTripleBolt类在declareOutputFields方法中声明输出字段为["double","triple"]二元组。

[java]  view plain  copy

1. public class DoubleAndTripleBolt extends BaseRichBolt {  
2.     private OutputCollectorBase _collector;  
3.   
4.     @Override  
5.     public void prepare(Map conf, TopologyContext context, OutputCollectorBase collector) {  
6.         _collector = collector;  
7.     }  
8.   
9.     @Override  
10.     public void execute(Tuple input) {  
11.         int val = input.getInteger(0);  
12.         _collector.emit(input, new Values(val*2, val*3));  
13.         _collector.ack(input);  
14.     }  
15.   
16.     @Override  
17.     public void declareOutputFields(OutputFieldsDeclarer declarer) {  
18.         declarer.declare(new Fields("double", "triple"));  
19.     }  
20. }  

首先，在declareOutputFields方法中声明了输出为["double", "triple"]的二元组。接着，在prepare方法中把OutputCollectorBase对象赋给私有成员变量_collector。最后，使用_collector发射元组，输出元组是一个二元组，第一个值为原值的2倍，第二个值为原值的3倍，并使用_collector的ack方法，保证消息处理，提供可靠性机制。

2、流（Stream）

流（Stream）是Storm的核心抽象，是一个无界的元组序列。源源不断传递的元组就组成了流，在分布式环境中并行地进行创建和处理。

流被定义成一个为流中元组字段进行命名的模式，默认情况下，元组可以包含整型（integer）、长整型（long）、短整型（short）、字节（byte）、字符（string）、双精度数（double）、浮点数（float）、布尔值（boolean）和字节数组（byte array），还可以自定义序列化器，以便本地元组可以使用自定义类型。

流由元组组成，使用OutputFieldsDeclarer声明流及其模式。Serialization是Storm的动态元组类型的信息，声明自定义序列化。自定义序列化必须实现ISerialization接口，自定义序列化可以注册使用CONFIG.TOPOLOGY_SERIALIZATIONS这个配置。

Storm提供可靠的方式把原语转换成一个新的分布式的流，执行流转换的基本元素是Spout和Bolt。

Spout是流的源头，通常从外部数据源读取元组，并emit到拓扑中。例如，Spout从Kestrel队列中读取元组，并作为一个流提交到拓扑。

Bolt接收任何数量的输入流，执行处理后，可能提交新的流。复杂流的转换，如从tweets流中计算一个热门话题，需要多个步骤，因此需要多个Bolt。Bolt可以执行运行函数、过滤元组、连接流和连接数据库等任何事情。

如图所示，Spout和Bolt的网络被打包成一个“拓扑”，即顶级抽象，之后提交这个拓扑到Storm集群中执行。拓扑是一个图的流转换，节点表示Spout或Bolt，弧边指示哪些Bolt订阅了该流。当一个Spout或Bolt发射一个元组到一个流时，它会发射元组到每一个订阅该流的Bolt。

拓扑节点之间的连接表示元组应该如何传递。例如，如果从Spout A到Bolt B有一个连接，从Spout A到Bolt C有一个连接，从Bolt B到Bolt C有一个连接，那么每次Spout A将同时发射元组到Bolt B与Bolt C，Bolt B也会发射元组到Bolt C。

一个Storm拓扑中的每个节点均可以并行执行，也可以指定拓扑中跨集群执行的线程数量。

一个拓扑会一直运行，直到你杀死它。Storm会自动重新分配任何失败的任务。此外，即使主机已经关闭，消息已经被删除，Storm也能保证不会有数据丢失。

每个流被声明后都会赋予一个id。因为单个流的Spout和Bolt是如此普遍，OutputFieldsDeclarer有方便的方法来声明一个不指定id的单流。在这种情况下，流被赋予默认的id值。

3、喷口（Spout）

喷口（Spout）是拓扑的流的来源，是一个拓扑中产生源数据流的组件。通常情况下，Spout会从外部数据源（例如Kestrel队列或Twitter API）中读取数据，然后转换为拓扑内部的源数据。Spout可以是可靠的，也可以是不可靠的。如果Storm处理元组失败可靠的Spout能够重新发射，而不可靠的Spout就尽快忘记发出的元组。Spout是一个主动地角色，其接口中有一个nextTuple()函数，Storm框架会不停地调用此函数，用户只要在其中生成源数据即可。

Spout可以发出超过一个流。为此，使用OutputFieldsDeclarer类的declareStream方法来声明多个流，使用SpoutOutputCollector类的emit执行流的提交。

Spout的主要方法是nextTuple()。nextTuple()会发出一个新的Tuple到拓扑，如果没有新的元组发出则简单地返回。nextTuple()方法不阻止任何Spout的实现，因为Storm在同一个线程调用所有的Spout方法。

Spout的其他主要方法是ack()和fail()。当Storm检测到一个元组从Spout发出时，ack()和fail()会被调用，要么成功完成通过拓扑，要么未能完成。ack()和fail()仅被可靠的Spout调用。IRichSpout是Spout必须实现的接口。

4、螺栓（Bolt）

在拓扑中的所有处理都在Bolt中完成，Bolt是流的处理节点，从一个拓扑接收数据然后执行进行处理的组件。Bolt可以完成过滤、业务处理、连接运算、连接与访问数据库等任何操作。Bolt是一个被动的角色，其接口中有一个execute()方法，在接收到消息后会调用此方法，用户可以在其中执行自己希望的操作。

Bolt可以完成简单的流的转换，而完成复杂的流的转换通常需要多个步骤，因此需要多个Bolt。例如，将tweet数据流转换为热门图片流至少需要两个步骤：首先一个Bolt为每个图像的转发做一个滚动的计数，然后一个或多个Bolt流找出排名前X的图片。

Bolt可以发出超过一个的流。为此，使用OutputFieldsDeclarer类的declareStream()方法声明多个流，并使用OutputCollector类的emit()方法指定发射的流。

当声明一个Bolt的输入流时，总是订阅另一个组件的特定流。如果想订阅另一个组件的所有的流，必须订阅每一个过程。InputDeclarer()方法有语法以订阅声明默认流id的流：declarer.shuffleGrouping("1")是指订阅组件1的默认流，相当于declarer.shuffleGrouping("1", DEFAULT_STREAM_ID)。

Bolt的主要方法是execute()方法，该方法将一个新的元组作为输入。Bolt使用OutputCollector对象发射新的元组。Bolt必须为它们处理的每个元组调用OutputCollector类的ack()方法，以便Storm知道什么时候元组会完成（并最终确定它是安全应答原始的Spout的元组）。对于处理一个输入元组的常见情况是发射0个或者更多基于该元组的元组，然后应答输入元组（Storm提供了一个自动应答的IBasicBolt接口）。

我们完全可以在Bolt中启动新的线程进行异步处理。OutputCollector类是线程安全的，可以在任何时间被调用。

IRichBolt是Bolt的通用接口。IBasicBolt是定义Bolt进行过滤或简单功能的一个很方便的接口。使用OutputCollector类的实例可以让Bolt发送元组到其输出流。

5、拓扑（Topology）

拓扑（Topology）是Storm中运行的一个实时应用程序，因为各个组件间的消息流动而形成逻辑上的拓扑结构。

把实时应用程序的运行逻辑打成jar包后提交到Storm的拓扑（Topology）。Storm的拓扑类似于MapReduce的作业（Job）。其主要区别是，MapReduce的作业最终会完成，而一个拓扑永远都在运行直到它被杀死。一个拓扑是一个图的Spout和Bolt的连接流分组。

在Java中，使用TopologyBuilder类来构造拓扑。

6、主控节点和工作节点

Storm集群中有两类节点：主控节点（Master Node）和工作节点（Worker Node）。其中，主控节点只有一个，而工作节点可以有多个。

7、Nimbus进程与Supervisor进程

主控节点运行一个称为Nimbus的守护进程，类似于Hadoop的JobTracker。Nimbus负责在集群中分发代码，对节点分配任务，并监视主机故障。

每个工作节点运行一个称为Supervisor的守护进程。Supervisor监听其主机上已经分配的主机的作业，启动和停止Nimbus已经分配的工作进程。

8、流分组（Streaming grouping）

流分组，是拓扑定义中的一部分，为每个Bolt指定应该接收哪个流作为输入。流分组定义了流/元组如何在Bolt的任务之间进行分发。

Storm内置了7种流分组方式，通过实现CustomStreamGrouping接口可以实现自定义的流分组。

9、工作线程（Worker）

Worker是Spout/Bolt中运行具体处理逻辑的进程。拓扑跨一个或多个Worker进程执行。每个Worker进程是一个物理的JVM和拓扑执行所有任务的一个子集。例如，如果合并并行度的拓扑是300，已经分配50个Worker，然后每个Worker将执行6个任务（作为在Worker内的线程）。Storm尝试在所有上均匀地发布任务。

可使用Config.TOPOLOGY_WORKERS配置项设置执行拓扑时分配的Worker的数量。

10、任务（Task）

Worker中每一个Spout/Bolt的线程成为一个任务（Task）。每个Spout或者Bolt在集群中执行许多任务。每个任务对应一个线程的执行，流分组定义如何从一个任务集到另一个任务集发射元组。可以通过TopologyBuilder类的setSpout()方法和setBolt()方法来设置每个Spout或者Bolt的并行度(parallelism)。

11、执行器（Executor）

在Storm 0.8以后，Task不再与物理线程对应，同一个Spout/Bolt的Task可能会共享一个物理线程，该线程称为执行器（Executor）。

12、可靠性（Reliability）

Storm保证每一个Spout元组将被拓扑完全可靠地处理。它跟踪每个Spout元组的元组树，检测树中的元组什么时候可以成功完成。每个拓扑都有“消息超时时间”，如果Storm在超时之前未能检测到Spout元组已经完成，那么会设元组为失败并在之后重新发射它。

要利用Storm的可靠性优势，当元组树的新边缘被创建时必须通知Storm，并告之Storm什么时候处理完该元组。这些都是通过使用OutputCollector对象实现的，Bolt使用OutputCollector对象发射元组。在emit()方法中完成Anchoring，声明已经使用ack()方法完成一个元组。