《实时计算-流数据处理系统简介与简单分析.docx》由会员分享，可在线阅读，更多相关《实时计算-流数据处理系统简介与简单分析.docx（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、实时计算，流数据处理系统简介与简单分析发表于2014-06-12 14:19|4350次阅读| 来源CSDN博客|8条评论| 作者va_key大数据实时计算流计算摘要：实时计算一般都是针对海量数据进行的，一般要求为秒级。实时计算主要分为两块:数据的实时入库、数据的实时计算。今天这篇文章详细介绍了实时计算，流数据处理系统简介与简单分析。编者按：互联网领域的实时计算一般都是针对海量数据进行的，除了像非实时计算的需求（如计算结果准确）以外，实时计算最重要的一个需求是能够实时响应计算结果，一般要求为秒级。实时计算的今天，业界都没有一个准确的定义，什么叫实时计算？什么不是？今天这篇文章详细介绍了实时计算
2、，流数据处理系统简介与简单分析。以下为作者原文：一实时计算的概念实时计算一般都是针对海量数据进行的，一般要求为秒级。实时计算主要分为两块:数据的实时入库、数据的实时计算。主要应用的场景：1) 数据源是实时的不间断的，要求用户的响应时间也是实时的（比如对于大型网站的流式数据：网站的访问PV/UV、用户访问了什么内容、搜索了什么内容等，实时的数据计算和分析可以动态实时地刷新用户访问数据，展示网站实时流量的变化情况，分析每天各小时的流量和用户分布情况）2) 数据量大且无法或没必要预算，但要求对用户的响应时间是实时的。比如说：昨天来自每个省份不同性别的访问量分布，昨天来自每个省份不同性别不同年龄不同职
3、业不同名族的访问量分布。二 实时计算的相关技术主要分为三个阶段（大多是日志流）:数据的产生与收集阶段、传输与分析处理阶段、存储对对外提供服务阶段下面具体针对上面三个阶段详细介绍下1）数据实时采集：需求：功能上保证可以完整的收集到所有日志数据，为实时应用提供实时数据；响应时间上要保证实时性、低延迟在1秒左右；配置简单，部署容易；系统稳定可靠等。目前的产品：Facebook的Scribe、LinkedIn的Kafka、Cloudera的Flume，淘宝开源的TimeTunnel、Hadoop的Chukwa等，均可以满足每秒数百MB的日志数据采集和传输需求。他们都是开源项目。2）数据实时计算在流数据
4、不断变化的运动过程中实时地进行分析，捕捉到可能对用户有用的信息，并把结果发送出去。实时计算目前的主流产品：1. Yahoo的S4：S4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。2. Twitter的Storm：是一个分布式的、容错的实时计算系统。可用于处理消息和更新数据库（流处理），在数据流上进行持续查询，并以流的形式返回结果到客户端（持续计算），并行化一个类似实时查询的热点查询（分布式的RPC）。3. Facebook 的Puma：Facebook使用puma和HBase相结合来处理实时数据，另
5、外Facebook发表一篇利用HBase/Hadoop进行实时数据处理的论文（ApacheHadoop Goes Realtime at Facebook），通过一些实时性改造，让批处理计算平台也具备实时计算的能力。关于这三个产品的具体介绍架构分析：下面是S4和Storm的详细对比其他的产品：早期的：IBM的Stream Base、 Borealis、Hstreaming、Esper4.淘宝的实时计算、流式处理1) 银河流数据处理平台：通用的流数据实时计算系统，以实时数据产出的低延迟、高吞吐和复用性为初衷和目标，采用actor模型构建分布式流数据计算框架（底层基于akka），功能易扩展、部分容
6、错、数据和状态可监控。银河具有处理实时流数据（如TimeTunnel收集的实时数据）和静态数据（如本地文件、HDFS文件）的能力，能够提供灵活的实时数据输出，并提供自定义的数据输出接口以便扩展实时计算能力。银河目前主要是为魔方提供实时的交易、浏览和搜索日志等数据的实时计算和分析。2) 基于Storm的流式处理，统计计算、持续计算、实时消息处理。在淘宝，Storm被广泛用来进行实时日志处理，出现在实时统计、实时风控、实时推荐等场景中。一般来说，我们从类kafka的metaQ或者基于HBase的timetunnel中读取实时日志消息，经过一系列处理，最终将处理结果写入到一个分布式存储中，提供给应用
7、程序访问。我们每天的实时消息量从几百万到几十亿不等，数据总量达到TB级。对于我们来说，Storm往往会配合分布式存储服务一起使用。在我们正在进行的个性化搜索实时分析项目中，就使用了timetunnel +HBase + Storm + UPS的架构，每天处理几十亿的用户日志信息，从用户行为发生到完成分析延迟在秒级。3) 利用Habase实现的Online应用4）实时查询服务 半内存：使用Redis、Memcache、MongoDB、BerkeleyDB等内存数据库提供数据实时查询服务，由这些系统进行持久化操作。 全磁盘：使用HBase等以分布式文件系统（HDFS）为基础的NoSQL数据库，对于
8、key-value引擎，关键是设计好key的分布。 全内存：直接提供数据读取服务，定期dump到磁盘或数据库进行持久化。关于实时计算流数据分析应用举例：对于电子商务网站上的店铺：1）实时展示一个店铺的到访顾客流水信息，包括访问时间、访客姓名、访客地理位置、访客IP、访客正在访问的页面等信息；2）显示某个到访顾客的所有历史来访记录，同时实时跟踪显示某个访客在一个店铺正在访问的页面等信息；3）支持根据访客地理位置、访问页面、访问时间等多种维度下的实时查询与分析。下面对Storm详细介绍下：整体架构图整个数据处理流程包括四部分：第一部分是数据接入该部分从前端业务系统获取数据。第二部分是最重要的Sto
9、rm 实时处理部分，数据从接入层接入，经过实时处理后传入数据落地层；第三部分为数据落地层，该部分指定了数据的落地方式；第四部分元数据管理器。数据接入层该部分有多种数据收集方式，包括使用消息队列（MetaQ），直接通过网络Socket传输数据，前端业务系统专有数据采集API，对Log问价定时监控。(注：有时候我们的数据源是已经保存下来的log文件，那Spout就必须监控Log文件的变化，及时将变化部分的数据提取写入Storm中，这很难做到完全实时性。)Storm实时处理层首先我们通过一个 Storm 和Hadoop的对比来了解Storm中的基本概念。(Storm关注的是数据多次处理一次写入，而H
10、adoop关注的是数据一次写入，多次处理使用（查询）。Storm系统运行起来后是持续不断的，而Hadoop往往只是在业务需要时调用数据。两者关注及应用的方向不一样。)1. Nimbus：负责资源分配和任务调度。2. 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。3. Worker：运行具体处理组件逻辑的进程。4. Task：worker中每一个spout/bolt的线程称为一个task. 在Storm0.8之后，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executor。具体业务需求：条件
11、过滤、中间值计算、求topN、推荐系统、分布式RPC、热度统计数据落地层：MetaQ如图架构所示，Storm与MetaQ是有一条虚线相连的，部分数据在经过实时处理之后需要写入MetaQ之中，因为后端业务系统需要从MetaQ中获取数据。这严格来说不算是数据落地，因为数据没有实实在在写入磁盘中持久化。Mysql数据量不是非常大的情况下可以使用Mysql作为数据落地的存储对象。Mysql对数据后续处理也是比较方便的，且网络上对Mysql的操作也是比较多的，在开发上代价比较小，适合中小量数据存储。HDFSHDFS及基于Hadoop的分布式文件系统。许多日志分析系统都是基于HDFS搭建出来的，所以开发S
12、torm与HDFS的数据落地接口将很有必要。例如将大批量数据实时处理之后存入Hive中，提供给后端业务系统进行处理，例如日志分析，数据挖掘等等。LustreLustre作为数据落地的应用场景是，数据量很大，且处理后目的是作为归档处理。这种情形，Lustre能够为数据提供一个比较大（相当大）的数据目录，用于数据归档保存。元数据管理器元数据管理器的设计目的是，整个系统需要一个统一协调的组件，指导前端业务系统的数据写入，通知实时处理部分数据类型及其他数据描述，及指导数据如何落地。元数据管理器贯通整个系统，是比较重要的组成部分。元数据设计可以使用mysql存储元数据信息，结合缓存机制开源软件设计而成。9 / 9