Storm計算模型
Topology DAG有向無環圖的實現
----對於storm實時計算邏輯的一種封裝
由一系列通過 數據流 相互關聯的spout，Bolt組成的拓撲結構
生命週期：此拓撲只要啓動，一直會在集羣中運行直到手動kill（區別於MapReduce當中的job，job在計算完成後就會終止）
Tuple 元組
Storm中最小數據組成單元
Stream--數據流
從spout中不斷傳遞數據給Bolt，以及一個Bolt傳遞給下一個Bolt，所形成的這些數據通道叫作stream
stream 聲明時候需要給一個id，默認爲default
實際使用時候大多使用單一數據流，此時不需要單獨指定Stream1 id
Spout---數據源
圖中數據源的來源，一般指定外部的數據源 讀取 元組 Tuple 發送到 Topology中
一個Spout可以發送多個數據源
含有3個重要方法
1 OutputFieldsDeclarer中的declare方法聲明定義所發送數據流的類型，便於bolt接收
2 SpoutOutputCollector中的emit方法指定stream id 後 發送到bolt
3 Spout最核心的方法 nextTuple，這個方法會被storm線程不斷調用，主動從數據源拉取數據在通過emit方法生成Tuple發送給下一個Bolt計算
Bolt---數據流處理組件
所有的數據處理都由Bolt完成 ，一個到多個。一個Bolt也可以發送多個數據流stream。
Bolt裏最核心的方法是 execute 方法，這個方法負責接收到一個Tulp數據然後實現核心的業務邏輯
Stream Grouping ---數據流分組 （即數據分發策略）
一共8種，但是我一般就用過1和2，其他不太常用
1 Shuffle Grouping
輪詢，平均分配
隨機派發Stream裏的tuple，保證每個bolt task 接收到的tuple數量大致相同
2 Fields Grouping 個人感覺非常有用，常用於ETL Extract-Transform-Load
按字段分組，比如。按照“user_id”字段分組，具有相同的user_id的Tuple會被分到同一個Bolt中處理
3 All Grouping
廣播發送，對於每一個tuple，所有的Bolts都會收到
4 Global Grouping
全局分組，把tuple分散給task id最低的task，其實可以實現間接的HA
5 None Grouping
不分組，目前看這個效果和shuffle grouping差不多，不同的一點是storm會把使用none grouping
的這個Bolt放到這個Bolt的訂閱者同一個線程裏去執行
6 Direct Grouping
指向性分組，使用這種分組意味着tuple的發送者指定消息的接受者，指定哪個task處理tuple。
只有被聲明爲Direct Stream的消息流可以聲明這種分組方法。
7 Local or shuffle grouping
本地或者隨機分組。如果目標bolt有一個或者多個task與源bolt的task在同一個工作進程中，tuple
將會被隨機發送給這些同進程中的tasks。否則和普通的Shuffle Grouping一樣
8 CustomGrouping
自定義，相當於MapReduce那裏自己去實現一個partition。
未完待續！！！！！！！