共计 1228 个字符，预计需要花费 4 分钟才能阅读完成。
本篇文章给大家分享的是有关 JStorm 原理以及应用场景是怎样的，丸趣 TV 小编觉得挺实用的，因此分享给大家学习，希望大家阅读完这篇文章后可以有所收获，话不多说，跟着丸趣 TV 小编一起来看看吧。
JStorm 是一个类似 Hadoop MapReduce 的系统，用户按照指定的接口实现一个任务，然后将这个任务递交给 JStorm 系统，JStorm 将这个任务跑起来，并且按 7 * 24 小时运行起来，一旦中间一个 Worker 发生意外故障，调度器立即分配一个新的 Worker 替换这个失效的 Worker。
因此，从应用的角度，JStorm 应用是一种遵守某种编程规范的分布式应用。从系统角度，JStorm 是一套类似 MapReduce 的调度系统。从数据的角度，JStorm 是一套基于流水线的消息处理机制。
实时计算现在是大数据领域中最火爆的一个方向，因为人们对数据的要求越来越高，实时性要求也越来越快，传统的 Hadoop MapReduce，逐渐满足不了需求，因此在这个领域需求不断。
Storm 组件和 Hadoop 组件对比
StormHadoop 角色 NimbusJobTracker SupervisorTaskTracker WorkerChild 应用名称 TopologyJob 编程接口 Spout/BoltMapper/Reducer 优点
在 Storm 和 JStorm 出现以前，市面上出现很多实时计算引擎，但自 Storm 和 JStorm 出现后，基本上可以说一统江湖：究其优点：
开发非常迅速：接口简单，容易上手，只要遵守 Topology、Spout 和 Bolt 的编程规范即可开发出一个扩展性极好的应用，底层 RPC、Worker 之间冗余，数据分流之类的动作完全不用考虑
扩展性极好：当一级处理单元速度，直接配置一下并发数，即可线性扩展性能
健壮强：当 Worker 失效或机器出现故障时，自动分配新的 Worker 替换失效 Worker
数据准确性：可以采用 Ack 机制，保证数据不丢失。如果对精度有更多一步要求，采用事务机制，保证数据准确。
应用场景
JStorm 处理数据的方式是基于消息的流水线处理，因此特别适合无状态计算，也就是计算单元的依赖的数据全部在接受的消息中可以找到，并且最好一个数据流不依赖另外一个数据流。
因此，常常用于
日志分析，从日志中分析出特定的数据，并将分析的结果存入外部存储器如数据库。目前，主流日志分析技术就使用 JStorm 或 Storm
管道系统，将一个数据从一个系统传输到另外一个系统，比如将数据库同步到 Hadoop
消息转化器，将接受到的消息按照某种格式进行转化，存储到另外一个系统如消息中间件
统计分析器，从日志或消息中，提炼出某个字段，然后做 count 或 sum 计算，最后将统计值存入外部存储器。中间处理过程可能更复杂。
以上就是 JStorm 原理以及应用场景是怎样的，丸趣 TV 小编相信有部分知识点可能是我们日常工作会见到或用到的。希望你能通过这篇文章学到更多知识。更多详情敬请关注丸趣 TV 行业资讯频道。
