Storm適用場景
流聚合：
流聚合就是把兩個或多個數據流聚合成一個數據流 -- 基於一些共同的tuple字段。
builder.setBolt(5,new MyJoiner(),parallelism)
.fieldsGrouping(1,new Fields("joinfield1","joinfield2"))
.fieldsGrouping(2,new Fields("joinfield1","joinfield2"))
.fieldsGrouping(3,new Fields("joinfield1","joinfield2"))
批處理：
有時候爲了性能或者一些別的原因，你可能想把一組tuple一起處理，而不是一個一個單獨處理。
BasicBolt：
a、讀一個輸入tuple；
b、根據這個輸入tuple發射一個或者多個tuple；
c、在execute的方法的最後ack那個輸入tuple
遵循這類模式的bolt一般是函數或者是過濾器，這種模式太常見，storm爲這類模式單獨封裝了一個接口：IbasicBolt。
內存內緩存 + Fields grouping組合
在bolt的內存裏面緩存一些東西非常常見。緩存在和fields grouping結合起來之後就更有用了。比如，你有一個bolt把短鏈接變成長鏈接（bit.ly,t.co之類的）。你可以把短鏈接到長鏈接的對應關係利用LRU算分緩存在內存裏面以避免重複計算。比如組件一發射短鏈接，組件二把短鏈接轉化成長鏈接並緩存在內存裏面。看一下下面兩段代碼有什麼不一樣：
builder.setBolt(2,new ExpandUrl(),parallelism).shuffleGrouping(1);
builder.setBolt(2,new ExpandUrl(),parallelism).fieldsGrouping(1,new Fields("url"));
計算top N
比如你有一個bolt發射這樣的tuple:"value","count"並且你想一個bolt基於這些信息算出top N的tuple。最簡單的辦法是有一個bolt可以做一個全局的grouping的動作並且在內存裏面保持着top N的值。
這個方式對於大數據量的流顯然是沒有擴展性的，因爲所有的數據會被髮到同一臺機器。一個更好的方法是在多臺機器上面並行的計算這個流每一部分的top N，然後再由一個bolt合併這些機器上面所算出來的top N以算出最後的top N，代碼大概是這樣的：
builder.setBolt(2,new RankObjects(),parallellism).fieldsGrouping(1,new Fields("value"));
builder.setBolt(3,new MergeObjects()).globalGrouping(2);
這個模式之所以可以成功是因爲第一個bolt的fieldsgrouping使得這種並行算法在語義上是正確的。
用TimeCacheMap來高效地保存一個最近被更新的對象的緩存：
有時候你想在內存裏面保存一些最近活躍的對象，以及那些不再活躍的對象。TimeCacheMap是一個非常高效地數據結構，它提供了一些callback函數使得我們在對象不再活躍的時候我們可以做一些事情。
分佈式RPC：CoordinatedBolt和KeyedFairBolt:
用storm做分佈式RPC應用的時候有兩種比較常見的模式：它們被封裝在CoordinatedBolt和KeyedFairBolt裏面。
CoordinatedBolt包裝你的bolt，並且確定什麼時候你的bolt已經接收到所有的tuple，它主要使用Direct Stream來做這個。
KeyedFairBolt同樣包裝你的bolt並且保證你的topology同時處理多個DRPC調用，而不是串行的一次只執行一個。