一、storm的基本原理：
1、离线计算是什么？
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、***任务调度
1，hivesql：工作中的重中之重；
2、调度平台
3、Hadoop集群运维
4、数据清洗（脚本语言）
5、元数据管理
6、数据稽查：看数据中有没有垃圾数据，对数据量比较；
7、数据仓库模型架构
2、流式计算是什么
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/metaq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)。
一句话总结：将源源不断产生的数据实时收集并实时计算，尽可能快的得到计算结果;
3、离线计算与实时计算的区别
最大的区别：实时收集、实时计算、实时展示
4、Storm是什么？
Flume实时采集，低延迟
Kafka消息队列，低延迟
Storm实时计算，低延迟
Redis实时存储，低延迟
Storm用来实时处理数据，特点：低延迟、高可用、分布式、可扩展、数据不丢失。提供简单容易理解的接口，便于开发。
海量数据？数据类型很多，产生数据的终端很多，处理数据能力增强
5、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。
- 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
Job：任务名称
JobTracker：项目经理
TaskTracker：开发组长、产品经理
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
Topology:任务名称
Nimbus:项目经理
Supervisor:开组长、产品经理
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；
6、Storm应用场景及行业案例
Storm用来实时计算源源不断产生的数据，如同流水线生产。
6.1、运用场景
1）日志分析
从海量日志中分析出特定的数据，并将分析的结果存入外部存储器用来辅佐决策。
2）管道系统
将一个数据从一个系统传输到另外一个系统，比如将数据库同步到Hadoop
3）消息转化器
将接受到的消息按照某种格式进行转化，存储到另外一个系统如消息中间件
6.2、典型案列
1）一淘-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梯上定时运行的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。
2）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。
3）阿里妈妈-用户画像：实时计算用户的兴趣数据
为了更加精准投放广告，阿里妈妈后台计算引擎需要维护每个用户的兴趣点（理想状态是，你对什么感兴趣，就向你投放哪类广告）。用户兴趣主要基于用户的历史行为、用户的实时查询、用户的实时点击、用户的地理信息而得，其中实时查询、实时点击等用户行为都是实时数据。考虑到系统的实时性，阿里妈妈使用Storm维护用户兴趣数据，并在此基础上进行受众定向的广告投放。
7、Storm核心组件（重要）
- Nimbus：负责资源分配和任务调度，分配完成后，将其通过zk分配给supervisor，zk记录分配的任务信息和心跳信息。
- Supervisor：负责接受nimbus分配的任务，启动和停止属于自己管理的worker进程，是当前物理机上的管理者，worker的数量是根据端口号来的。---通过配置文件设置当前supervisor上启动多少个worker。
- Worker：运行具体处理组件逻辑的进程。Worker运行的任务类型只有两种，一种是Spout任务，一种是Bolt任务，一个worker中有多个这种任务，。
- Task：worker中每一个spout/bolt的线程称为一个task. 每个task属于某个组件并发度中的一个，在storm0.8之后，task不再与物理线程对应，不同spout/bolt的task可能会共享一个物理线程，该线程称为executor。
并发度：一种类型的任务，被几个线程同时执行，并发度的数量等于线程的数量一个任务的多个线程会被运行在多个worker上，有一种类似于平均算法的负载均衡策略，尽可能减少网络请求IO，与hadoop中的Map Reduce类似（尽可能运行在数据所在的物理节点上）；
一个worker可以看作是一个JVM，如上图，一个jvm中可以执行五个task任务，即五个线程，每个jvm与外部通讯需要的是socket，联系其他的jvm。
8、Storm编程模型（重要）
- Topology：Storm中运行的一个实时应用程序的名称。（拓扑）
- Spout：在一个topology中获取源数据流的组件。
通常情况下spout会从外部数据源中读取数据，然后转换为topology内部的源数据。
- Bolt：接受数据然后执行处理的组件,用户可以在其中执行自己想要的操作。
- Tuple：一次消息传递的基本单元，理解为一组消息就是一个Tuple。
- Stream：表示数据的流向。
一个worker只属于一个topology。
一个topology要求的worker数量如果不被满足，集群在任务分配时，根据现有的worker先运行topology，如果当前集中worker数量为0，那么最新提交的topology将只会被标识为active，但是不分配worker，不运行，只有当有了空闲资源，才会被运行。
以案例的形式描述：
冰山融化，形成小水滴，由spout进行收集，然后在Bolt中融入新的物质，最终形成需要的液体。
- 外部数据源data source中存在大量数据，由spout获取外部收据，这些数据（一条一条）可以是string，可以是json，也可以是javabean等格式；
- Spout会将收集的数据内部发送到blot中，在blot中根据业务逻辑处理相应的数据，多个blot可以是平行的（此即为并发度），也可以是串联的；
- 最后的blot会将数据传输给数据库redis。
上面的步骤为topology，即storm的一个单元；
一个topology的数据是独有的，与其他topology是没有关系的，但是多个topology可以同时使用一个数据源。
Spout传输的一个数据单元即为一个tuple，tuple是一个java对象，里面封装了一个list；
程序的流动方向是StreamGrouping，即数据流分区，类似于hadoop中的hash散列，分组方式有多种，比如：随机分组（shuffle Grouping，用的是随机函数）、按字段分组（Field Grouping，用的是hash散列）、不分组等七种方式，具体可见后面的stream Grouping详解：
对于blot的并发处理：
每个blot中的并发都对应一个线程：
比如：
1）blot1-0是一个线程
2）blot1-1是一个线程
9、流式计算一般架构图（重要）
- 其中flume用来获取数据。
- Kafka用来临时保存数据。
- Strom用来计算数据。
- Redis是个内存数据库，用来保存数据。
二、集群部署的基本流程：
1、流程概述：
集群部署的流程：下载安装包、解压安装包、修改配置文件、分发安装包、启动集群。
2、Storm集群部署
2.1、下载安装包
也可以直接在官网上下载tar.gz的安装包，然后将其上传到对应的服务器上。
2.2、解压安装包
解压安装文件到制定的目录，并把storm加入到环境变量
sudo tar -zxvf apache-storm-0.9.6.tar.gz
sudo mv apache-storm-0.9.6 storm
sudo vi /etc/profile
Source /etc/profile
2.3、修改配置文件
vim /usr/apps/storm/storm/conf/storm.yaml
输入以下内容：
2.4、分发安装包
scp -pr storm root@hdp-node-2:/usr/apps/
scp -pr storm root@hdp-node-3:/usr/apps/
2.5、启动集群
Hdp-node-1节点启动nimbus和storm ui：
[root@ Hdp-node-1~]# nohup storm ui >/dev/null 2>&1 &
[root@ Hdp-node-1~]# nohup storm nimbus >/dev/null 2>&1 &
Hdp-node-2和Hdp-node-3主机启动Supervisor节点：
[root@ Hdp-node-2~]# nohup storm supervisor >/dev/null 2>&1 &
[root@ Hdp-node-3~]# nohup storm supervisor >/dev/null 2>&1 &
3、查看集群
访问nimbus.host:/8080，即可看到storm的ui界面。
4、Storm常用操作命令
有许多简单且有用的命令可以用来管理拓扑，它们可以提交、杀死、禁用、再平衡拓扑。
1）提交任务命令格式：storm jar 【jar路径】 【拓扑包名.拓扑类名】 【拓扑名称】
bin/storm jar examples/storm-starter/storm-starter-topologies-0.9.6.jar storm.starter.WordCountTopology（驱动类） wordcount
2）杀死任务命令格式：storm kill 【拓扑名称】 -w 10（执行kill命令时可以通过-w [等待秒数]指定拓扑停用以后的等待时间）
storm kill topology-name -w 10
3）停用任务命令格式：storm deactivte 【拓扑名称】
storm deactivte topology-name
我们能够挂起或停用运行中的拓扑。当停用拓扑时，所有已分发的元组都会得到处理，但是spouts的nextTuple方法不会被调用。销毁一个拓扑，可以使用kill命令。它会以一种安全的方式销毁一个拓扑，首先停用拓扑，在等待拓扑消息的时间段内允许拓扑完成当前的数据流。
1）启用任务命令格式：storm activate【拓扑名称】
storm activate topology-name
2）重新部署任务命令格式：storm rebalance 【拓扑名称】
storm rebalance topology-name
再平衡使你重分配集群任务。这是个很强大的命令。比如，你向一个运行中的集群增加了节点。再平衡命令将会停用拓扑，然后在相应超时时间之后重分配工人，并重启拓扑。
5、Storm集群的进程及日志熟悉
5.1、部署成功之后，启动storm集群。
依次启动集群的各种角色
5.2、查看nimbus的日志信息
在nimbus的服务器(hdp-node-1)上:
cd /usr/apps/storm/storm/logs
tail -100f /usr/apps/storm/storm/logs/nimbus.log
5.3、查看ui运行日志信息
在ui的服务器上，一般和nimbus一个服务器:
cd /usr/apps/storm/storm/logs
tail -100f /usr/apps/storm/storm/logs/ui.log
5.4、查看supervisor运行日志信息
在supervisor服务上
cd /usr/apps/storm/storm/logs
tail -100f /usr/apps/storm/storm/logs/supervisor.log
5.5、查看supervisor上worker运行日志信息
在supervisor服务上
cd /usr/apps/storm/storm/logs
tail -100f /usr/apps/storm/storm/logs/worker-6702.log
(该worker正在运行wordcount程序)