storm架构及原理详解

喜欢ヅ旅行 2022-05-29 13:37 438阅读 0赞

Storm 是一个分布式的，可靠的，容错的数据流处理系统。下面我将分别从storm的整体架构以及部分原理进行讲解。

## 一、基本的概念 ##

storm中服务器节点分为主节点和从节点,**Nimbus**为主节点和**Supervisor**为从节点。以及若干组件构成。下面为对一些术语进行简单的介绍:  
**Nimbus**：主节点，是一个调度中心，负责分发任务  
**Supervisor**：从节点，任务执行的地方  
**Worker**：任务工作进程，一个Supervisor中可以有多个Worker。  
**Executor**：Worker进程在执行任务时，会启动多个Executor线程  
**Topology**：任务的抽象概念。由于storm是流式计算的框架，它的数据流和拓扑图很像，所以它的任务就叫topology。  
**Spout**：从数据源获取数据并进行分发。  
**Bolt**：得到Spout或者上一个Bolt的数据,然后进行处理后交给下一个Bolt处理。  
**Tuple**：在storm中，一条数据可以理解为是一个Tuple。

## 二、storm的架构 ##

#### 任务提交处理流程 ####

**Nimbus**是调度中心，**Supervisor**是任务执行的地方。Supervisor上面有若干个**Worker**，每个Worker都有自己的端口,Worker可以理解为一个进程。另外，每个Worker中还可以运行若干个线程。

当客户端向storm集群提交一个**Topology**时，这里的提交就是在集群上通过命令`storm jar xxx`启动topology。如果我们是在Supervisor节点上执行`storm jar xxx`，那么Supervisor会将jar包拷贝到Nimbus,之后Nimbus对Topology进行调度。

Nimbus会根据Topology所需要的Worker进行分配，将其分配到各个Supervisor的节点上执行。

现在假设我们我们有4个Supervisor节点，每个Supervisor都配置4个Worker。这是我们提交了一个Topology，需要4个Worker,那**可能**的分配情况可能如下图所示:  
![topology提交流程图][topology]

#### storm中的数据流 ####

启动完Topology后,相关组件就开始运行起来了。在Storm中，Spout组件主要用来从数据源拉取数据,形成一个Tuple后转交给Bolt处理。Bolt接受到Tuple处理完后,可以选择继续交给下一个Bolt处理，也可以选择不往下传。这样数据以Tuple的形式一个接一个的往下执行,就形成了一个拓扑数据流。

storm数据在组件间的流向如下图所示:  
![storm数据流][storm]

## 三、Storm的并发度 ##

在Storm中，Worker不是组件执行的最小单位。Executor才是，Executor可以理解为是一个线程。我们在创建topology的时候，可以设置执行spout的线程数和bolt的线程数。

假设spout和bolt的线程数加起来设置了8个，然后设置了2个worker，那么这8个线程可能就会随机分配到2个worker中，可能一个worker3个，一个worker5个。也有可能各自分配4个。如下图所示:  
![Executor分布][Executor]

## 四、数据的Grouping策略 ##

在实际应用中,Bolt组件的实例可能有多个,Tuple在流向Bolt时，选择哪个Bolt实例的策略就是grouping策略。  
下面是Storm中的6种Grouping策略:  
1. **Shuffle Grouping**: 随机分组， 随机派发stream里面的tuple， 保证每个bolt接收到的tuple数目相同。轮询，平均分配。  
2. **Fields Grouping**：按字段分组， 比如按userid来分组， 具有同样userid的tuple会被分到相同的Bolts， 而不同的userid则会被分配到不同的Bolts。  
3. **All Grouping**： 广播发送， 对于每一个tuple， 所有的Bolts都会收到。  
4. **Global Grouping**: 全局分组， 这个tuple被分配到storm中的一个bolt的其中一个task。再具体一点就是分配给id值最低的那个task。  
5. **Non Grouping**: 不分组， 这个分组的意思是说stream不关心到底谁会收到它的tuple。目前这种分组和Shuffle grouping是一样的效果，不平均分配。  
6. **Direct Grouping**: 直接分组， 这是一种比较特别的分组方法，用这种分组意味着消息的发送者举鼎由消息接收者的哪个task处理这个消息。 只有被声明为Direct Stream的消息流可以声明这种分组方法。而且这种消息tuple必须使用emitDirect方法来发射。消息处理者可以通过TopologyContext来或者处理它的消息的taskid(OutputCollector.emit方法也会返回taskid)

## 五、消息的可靠性保证 —— ack机制 ##

一条数据在Spout中形成一个Tuple，然后交给一个个Bolt执行,那我们怎么保证这个Tuple被完整的执行了呢？这里的完整执行说的是这个Tuple必须在后面的每一个Bolt都成功处理，假设在一个Bolt中发生异常导致失败，这就不能算完整处理。

为了保证消息处理过程中的可靠性,storm使用了ack机制。storm会专门启动若干acker线程，来追踪tuple的处理过程。acker线程数量可以设置。

每一个Tuple在Spout中生成的时候,都会分配到一个64位的messageId。通过对messageId进行哈希我们可以执行要对哪个acker线程发送消息来通知它监听这个Tuple。

acker线程收到消息后,会将发出消息的Spout和那个messageId绑定起来。然后开始跟踪该tuple的处理流程。如果这个tuple全部都处理完，那么acker线程就会调用发起这个tuple的那个spout实例的ack()方法。如果超过一定时间这个tuple还没处理完，那么acker线程就会调用对应spout的fail()方法,通知spout消息处理失败。spout组件就可以重新发送这个tuple。

从上面的介绍我们知道了，tuple数据的流向会形成一个拓扑图，也可以理解成是一个tuple树。这个拓扑图的节点可能会有很多个，如果要把这些节点全部保存起来，处理大量的数据时势必会造成内存溢出。

对于这个难题，storm使用了一种非常巧妙的方法，使用20个字节就可以追踪一个tuple是否被完整的执行。这也是storm的一个突破性的技术。

#### ack机制的具体原理 ####

我们都知道,自己异或自己,结果肯定为零( a ^ a = 0)。ack中就利用这个特性

*  acker对于每个spout-tuple保存一个ack-val的校验值，它的初始值是0， 然后每发射一个tuple/ack一个tuple，那么tuple的id都要跟这个校验值异或一下。**注意**，这里的tuple的id不是spout-tuple的id,和我们上面理解的messageId不是一个概念，要区分一下,是每个新生产的tuple的id，这个tupleId是随机生成的64位比特值
 *  之后把得到的值更新为ack-val的新值。那么假设每个发射出去的tuple都被ack了， 那么最后ack-val一定是0(因为一个数字跟自己异或得到的值是0)。

> 举个例子,比如发射了某个tuple，就 ack-val ^ tupleId，然后ack了某个tuple,就再ack-val ^ tupleId，这样，ack-val 最终又变成了0，说明tuple已经全部处理成功了。

## 六、Storm的HA保证——高可用性保证 ##

#### 1. 数据方面的高可用 ####

使用ack机制保证数据处理的高可用

#### 2. Worker进程挂了怎么办？ ####

Supervisor会自动重启worker线程。

#### 3. Supervisor节点失效了怎么办？ ####

可以在其他节点重启该supervisor任务。

#### 4. Nimbus挂了怎么办？ ####

在storm1.0之前,Nimbus是不支持HA的。Nimbus如果挂了，重启Nimbus进程就可以了，不会影响到现有topology的运行。

因为Nimbus只是一个调度中心，Nimbus和Supervisor的状态都保存在本地文件和ZooKeeper，因此他们进程可以随便杀死，然后重启，不会影响到Worker进程的运行。

另外，Nimbus的作用在就是在拓扑任务开始阶段，负责将任务提交到集群，后期负责拓扑任务的管理，比如任务查看，终止等操作。在通常情况下，nimbus的任务压力并不会很大，在自然情况下不会出现宕机的情况。

storm1.0后Nimbus的HA策略还没有具体研究过，有兴趣的小伙伴可自行前往官网查看文档。[http://storm.apache.org/releases/1.2.1/nimbus-ha-design.html][http_storm.apache.org_releases_1.2.1_nimbus-ha-design.html]

## 七、总结 ##

Storm的架构及原理整体理解起来不算很难，但很多细节还是需要在实践中才能发现。有兴趣的小伙伴可以去读读storm的源码，storm源码大多数都是用Clojure实现，对Clojure语言不熟悉的朋友可以去看一下JStorm的源码实现。这是阿里基于Storm用java实现的框架，据说更加稳定高效。

最后，哪里有说的不对的地方。敬请支出，感激不尽。

[topology]: /images/20220529/9f972ac8a4974403970e6f8368dc565c.png
[storm]: /images/20220529/9e42277cdf204a4bb20597cb620454e0.png
[Executor]: /images/20220529/035ecf863daa43c384412a70e18d4c80.png
[http_storm.apache.org_releases_1.2.1_nimbus-ha-design.html]: http://storm.apache.org/releases/1.2.1/nimbus-ha-design.html