大資料架構師：hadoop、Storm該選哪一個

標籤：style   http   color   os   使用   java   ar   檔案   資料   

首先整體認識：Hadoop是磁碟級計算，進行計算時，資料在磁碟上，需要讀寫磁碟；Storm是記憶體級計算，資料直接通過網路匯入記憶體。讀寫記憶體比讀寫磁碟速度快n個數量級。根據Harvard CS61課件，磁碟訪問延遲約為記憶體訪問延遲的75000倍。所以Storm更快。


注釋：
1. 延時 ， 指資料從產生到運算產生結果的時間，“快”應該主要指這個。
2. 吞吐， 指系統單位時間處理的資料量。


storm的網路直傳、記憶體計算，其時延必然比hadoop的通過hdfs傳輸低得多；當計算模型比較適合流式時，storm的串流，省去了批處理的收集資料的時間；因為storm是服務型的作業，也省去了作業調度的時延。所以從時延上來看，storm要快於hadoop。


從原理角度來講：

• Hadoop M/R基於HDFS，需要切分輸入資料、產生中間資料檔案、排序、資料壓縮、多份複製等，效率較低。

• Storm 基於ZeroMQ這個高效能的訊息通訊庫，不持久化資料。
  

為什麼storm比hadoop快，下面舉一個應用情境
說一個典型的情境，幾千個日誌生產方產生記錄檔，需要進行一些ETL操作存入一個資料庫。

假設利用hadoop，則需要先存入hdfs，按每一分鐘切一個檔案的粒度來算（這個粒度已經極端的細了，再小的話hdfs上會一堆小檔案），hadoop開始計算時，1分鐘已經過去了，然後再開始調度任務又花了一分鐘，然後作業運行起來，假設機器特別多，幾鈔鐘就算完了，然後寫資料庫假設也花了很少的時間，這樣，從資料產生到最後可以使用已經過去了至少兩分多鐘。
而流式計算則是資料產生時，則有一個程式去一直監控日誌的產生，產生一行就通過一個傳輸系統發給流式計算系統，然後流式計算系統直接處理，處理完之後直接寫入資料庫，每條資料從產生到寫入資料庫，在資源充足時可以在毫秒層級完成。


同時說一下另外一個情境：
如果一個大檔案的wordcount，把它放到storm上進行流式的處理，等所有已有資料處理完才讓storm輸出結果，這時候，你再把它和hadoop比較快慢，這時，其實比較的不是時延，而是比較的吞吐了。


--------------------------------------------------------------------------------------------------------------------------------------------------

最主要的方面：Hadoop使用磁碟作為中間交換的介質，而storm的資料是一直在記憶體中流轉的。
兩者面向的領域也不完全相同，一個是批量處理，基於任務調度的；另外一個是即時處理，基於流。
以水為例，Hadoop可以看作是純淨水，一桶桶地搬；而Storm是用水管，預先接好（Topology），然後開啟水龍頭，水就源源不斷地流出來了。



---------------------------------------------------------------------------------------------------------------------------------------------------

Storm的主工程師Nathan Marz表示： Storm可以方便地在一個電腦叢集中編寫與擴充複雜的Realtime Compute，Storm之於即時處理，就好比Hadoop之於批處理。Storm保證每個訊息都會得到處理，而且它很快——在一個小叢集中，每秒可以處理數以百萬計的訊息。更棒的是你可以使用任意程式設計語言來做開發。
Storm的主要特點如下：
1.簡單的編程模型。類似於MapReduce降低了並行批處理複雜性，Storm降低了進行即時處理的複雜性。
2.可以使用各種程式設計語言。你可以在Storm之上使用各種程式設計語言。預設支援Clojure、Java、Ruby和Python。要增加對其他語言的支援，只需實現一個簡單的Storm通訊協定即可。
3.容錯性。Storm會管理背景工作處理序和節點的故障。
4.水平擴充。計算是在多個線程、進程和伺服器之間並行進行的。
5.可靠的訊息處理。Storm保證每個訊息至少能得到一次完整處理。任務失敗時，它會負責從訊息源重試訊息。
6.快速。系統的設計保證了訊息能得到快速的處理，使用ØMQ作為其底層訊息佇列。
7.本地模式。Storm有一個“本地模式”，可以在處理過程中完全類比Storm叢集。這讓你可以快速進行開發和單元測試。




---------------------------------------------------------------------------------------------------------------------------------------------------------------

在消耗資源相同的情況下，一般來說storm的延時低於mapreduce。但是吞吐也低於mapreduce。storm是典型的StreamCompute系統，mapreduce是典型的批處理系統。下面對StreamCompute和批處理系統流程

這個個資料處理流程來說大致可以分三個階段：
1. 資料擷取與準備
2. 資料計算（涉及計算中的中間儲存）， 題主中的“那些方面決定”應該主要是指這個階段處理方式。
3. 資料結果展現（反饋）

1）資料擷取階段，目前典型的處理處理策略：資料的產生系統一般出自頁面打點和解析DB的log，StreamCompute將資料擷取中訊息佇列（比如kafaka,metaQ,timetunle）等。批處理系統一般將資料擷取進Distributed File System（比如HDFS），當然也有使用訊息佇列的。我們暫且把訊息佇列和檔案系統稱為預先處理儲存。二者在延時和吞吐上沒太大區別，接下來從這個預先處理儲存進入到資料計算階段有很大的區別，StreamCompute一般在即時的讀取訊息佇列進入StreamCompute系統（storm）的資料進行運算，批處理一系統一般會攢一大批後大量匯入到計算系統（hadoop），這裡就有了延時的區別。
2）資料計算階段，StreamCompute系統（storm）的延時低主要有一下幾個方面（針對題主的問題）
A： storm 進程是常駐的，有資料就可以進行即時的處理
mapreduce 資料攢一批後由作業管理系統啟動任務，Jobtracker計算任務分配，tasktacker啟動相關的運算進程
B： stom每個計算單元之間資料之間通過網路（zeromq）直接傳輸。
mapreduce map任務運算的結果要寫入到HDFS，在於reduce任務通過網路拖過去運算。相對來說多了磁碟讀寫，比較慢
C： 對於複雜運算
storm的運算模型直接支援DAG（有向非循環圖）
mapreduce 需要肯多個MR過程組成，有些map操作沒有意義的

3）資料結果展現
StreamCompute一般運算結果直接反饋到最終結果集中（展示頁面，資料庫，搜尋引擎的索引）。而mapreduce一般需要整個運算結束後將結果大量匯入到結果集中。

實際StreamCompute和批處理系統沒有本質的區別，像storm的trident也有批概念，而mapreduce可以將每次運算的資料集縮小（比如幾分鐘啟動一次），facebook的puma就是基於hadoop做的StreamCompute系統。


思考：什麼項目適合hadoop,什麼項目適合Storm

大資料架構師：hadoop、Storm該選哪一個