流式計(jì)算和實(shí)時(shí)計(jì)算有什么區(qū)別？

處理、實(shí)時(shí)計(jì)算屬于一類的，即計(jì)算在數(shù)據(jù)變化時(shí)，都是在數(shù)據(jù)的計(jì)算實(shí)時(shí)性要求比較高的場(chǎng)景，能夠?qū)崟r(shí)的響應(yīng)結(jié)果，一般在秒級(jí)，Yahoo的S4,twiter的storm都屬于流處理和實(shí)時(shí)計(jì)算一類的。

Add-hoc和實(shí)時(shí)查詢都計(jì)算在query時(shí)，實(shí)時(shí)查詢是響應(yīng)可能千變?nèi)f化的結(jié)果，無法事先通過枚舉得到并存儲(chǔ)起來，需要根據(jù)用戶輸入的不同實(shí)時(shí)查詢出不同的響應(yīng)，對(duì)實(shí)時(shí)性要求比較高，比如hbase，內(nèi)存數(shù)據(jù)庫的查詢r(jià)edis、mongodb等；Add-hoc屬于對(duì)實(shí)時(shí)性要求不高的場(chǎng)景。

Add-hoc是針對(duì)各種臨時(shí)的、自定義的需求采取的解決方案，比如hive，需求是不確定的，可以通過編寫sql來應(yīng)對(duì)各種問題；最近出現(xiàn)的基于hadoop的實(shí)時(shí)查詢Impala，解決了實(shí)時(shí)性的要求，比hive效率。

離線計(jì)算一般是批量處理數(shù)據(jù)庫的過程，比如利用hadoop的mapreduce；內(nèi)存計(jì)算spark類似于mapreduc

storm是什么類型？

一、Storm概述

Storm是一個(gè)分布式的、可靠的、零失誤的流式數(shù)據(jù)處理系統(tǒng)。

它的工作就是委派各種組件分別獨(dú)立的處理一些簡(jiǎn)單任務(wù)。在Storm集群中處理輸入流的是Spout組件，而Spout又把讀取的數(shù)據(jù)傳遞給叫Bolt的組件。

Bolt組件會(huì)對(duì)收到的數(shù)據(jù)元組進(jìn)行處理，也有可能傳遞給下一個(gè)Bolt。我們能夠把Storm集群想象成一個(gè)由bolt組件組成的鏈條集合。數(shù)據(jù)在這些鏈條上傳輸。而bolt作為鏈條上的節(jié)點(diǎn)來對(duì)數(shù)據(jù)進(jìn)行處理。

Storm和Hadoop集群表面看上去非常類似，可是Hadoop上面執(zhí)行的是MapReduceJobs,而在Storm上執(zhí)行的是拓?fù)鋞opology，這兩者之間是非常不一樣的，關(guān)鍵差別是：MapReduce終于會(huì)結(jié)束，而一個(gè)topology永遠(yuǎn)會(huì)執(zhí)行（除非你手動(dòng)kill掉）,換句話說。Storm是面向?qū)崟r(shí)數(shù)據(jù)分析，而Hadoop面向的是離線數(shù)據(jù)分析。

如果有這么一種情形。當(dāng)你看類節(jié)目的時(shí)候。他們會(huì)常常提到一些人名和一些熱門話題。如果我們把當(dāng)中人名和話題的反復(fù)次數(shù)都記錄下來，結(jié)果應(yīng)該是一件非常有趣的事情。

因此，想象在Storm環(huán)境下，我們能夠把辯論者說的話作為輸入流，spout組件來讀取這些數(shù)據(jù)，然后把每一句話發(fā)送給bolt1組件，bolt1組件負(fù)責(zé)把這一句話拆分成一個(gè)個(gè)單詞。再把這些單詞發(fā)送到bolt2組件。bolt2組件負(fù)責(zé)統(tǒng)計(jì)每一個(gè)單詞的數(shù)量然后把這些信息存儲(chǔ)到數(shù)據(jù)庫中。辯論者在不斷的說話。而storm不斷的實(shí)時(shí)刷新數(shù)據(jù)庫中結(jié)果，當(dāng)你想查看這些結(jié)果時(shí)，你僅僅需查詢數(shù)據(jù)庫就可以。

如今，你能夠想象假設(shè)能夠把這些spout和bolt均衡分布到整個(gè)集群中，而且能夠方便地做無限制的擴(kuò)展，厲害吧？這就是Storm的威力！