jtorm是一个类似Hadoop MapReduce的系统，用户根据指定的界面实现任务，并将其传递给JStorm系统。 JStorm执行此任务，每7 * 24小时运行一次。 如果正在运行的工作器发生意外故障，调度程序将立即分配新工作器以替换无效的工作器
因此，从APP应用的观点来看，jstorm APP应用是遵守某一编程规范的分布式APP应用。 在系统上，JStorm是一个类似于MapReduce的调度系统。 从数据的角度看，JStorm是一种基于流水线的消息处理机制。
实时计算是目前大数据领域中最火爆的方向。 由于人们对数据的要求越来越高，实时性的要求也越来越高，传统的Hadoop MapReduce逐渐不能满足需求，因此在这一领域需求不断增长。
Storm组件和Hadoop组件对比
StormHadoop角色nimbusjobtrackersupervisortasktrackerworkerchild APP应用程序名称拓扑作业编程接口spout/bolt mapper/reducer 3333
逻辑上，一个Topology是由几个Spout (消息的发送者)和Bolt (消息的处理者)构成的图表结构
每个Spouts可以发送多个消息流。 要实现这种效果，请使用outfieldsdeclarer.declarestream定义多个流，然后使用SpoutOutputCollector发送指定的流。
Spout
的所有拓扑处理都在bolt中进行。 bolt可以是任何etl，包括过滤、函数、聚合、连接、写数据库系统和缓存。 一个bolt可以进行简单的事件流转换。 对于复杂的流转换，通常需要多个bolt参与。 这就是流计算，每个bolt可以进行一个业务逻辑处理，bolt可以向下游流动多个emit
Bolt中的主要方法是execute方法，每次处理一个输入的tuple，在Bolt中也可以发射新的tuple使用OutputCollector类，每次在Bolt中处理一个tuple时都可以使用ack meta Strom中的IBasicBolt接口将自动
呼叫确认。
优点在Storm和JStorm出现之前，市场上出现了很多实时计算引擎，但自从Storm和JStorm出现后，基本上可以说是统一江湖。 查明其优点：
开发非常迅速，接口简单，使用方便，只要遵守Topology、Spout和Bolt的编程规范，就能开发出扩展性极高的APP应用程序。 诸如底层RPC、工作器之间的冗馀、数据分流等操作完全不用考虑可扩展性的优势。 以一级处理单元的速度直接配置并行数，线性扩展性能强且结实。 如果工作器故障或机器故障时对精度有进一步要求，则采用事务机制，保证数据的准确性。 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，特别是bolt(即计算单元依赖的所有数据)可以在接收到的消息中找到，而在一个数据流中找到
因此，经常使用
适合无状态计算管道系统。 将数据从一个系统传输到另一个系统。 例如，将数据库与Hadoop消息转换器同步，将收到的消息转换为一种格式，并将其存储在另一个系统(如消息中间件统计分析器)中。 从日志或消息中提取某个字段，进行count或sum计算，最后将统计存储在外部的中间处理过程可能更复杂。 实时推荐系统在jstorm上运行推荐算法，达到秒级推荐效果
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
在实际应用中，一般会通过spout与其他系统集成，例如RocketMQ这样的消息队列。对于处理完成的数据，也可以选择输出到db或在bolt中直接导向其他系统做进一步处理
(召回的一环也称为匹配的一环，是从大量商品库中得到的候补商品的集合) ) )。
第一，JStorm实时收集用户行为日志，并定期更新基于item的协同过滤内容。
第二，通过JStorm实时采集直播间的内容，在直播间实时标注分类标签、topic、主题词等标签，定时更新用户图像内容。
第三，利用JStorm对用户查询日志实时采集，定时计算用户查询的CTR。
最后，在用户进行更新的情况下，采用召回策略进行召回，基于排序策略选择top N并呈现给用户。
推荐系统一般是用实时数据统计、离线数据统计加权的结果
Storm流的一个Spout分发多个Bolt
Storm流的多个Bolt合并成一个Bolt
腾讯云推荐系统介绍---百亿级通用推荐系统实践