Samza 结构
Samza 由三层组成：
- 流媒体层。
- 一个执行层。
- 处理层。
Samza 为所有三层提供了即时支持。
这三个组合在一起形成Samza：
该架构遵循与 Hadoop 类似的模式（它也使用 YARN 作为执行层，用于存储的 HDFS 和 MapReduce 作为处理 API）：
在深入分析这三个层次之前，应该注意的是，Samza 的支持不仅限于 Kafka 和 YARN。Samza 的执行和流式传输层都是可插拔的，并允许开发人员如果愿意实施替代方案。
Kafka
Kafka 是一个分布式的 pub / sub 和消息队列系统，它提供至少一次消息传递保证（即系统保证没有消息丢失，但在某些故障情况下，消费者可能会多次收到相同的消息），并且高度可用的分区（即，即使机器掉电，流的分区仍然可用）。
在 Kafka ，每个流被称为主题。每个主题都被分割并复制到多台名为broker（代理）的计算机上。当producer（生产者）向主题发送消息时，它提供一个密钥，用于确定消息应发送到哪个分区。Kafka代理收到并存储生产者发送的消息。然后，Kafka用户可以通过订阅主题的所有分区上的消息来读取主题。
卡夫卡有一些有趣的属性：
- 具有相同密钥的所有消息都保证位于相同的主题分区中。这意味着如果您想要读取特定用户标识的所有消息，则只需要从包含用户标识的分区读取消息，而不是整个主题（假设用户ID被用作密钥）。
- 主题分区是到达顺序的消息序列，因此您可以使用单调增加的偏移量（如数组中的索引）来引用分区中的任何消息。这意味着代理不需要跟踪特定用户看到哪些消息 - 用户可以通过存储其已经处理的最后一个消息的偏移来跟踪自身。然后知道每个具有比当前偏移量偏移较小的消息已经被处理; 每个具有较高偏移量的消息尚未被处理。
YARN
YARN（另一个资源谈判者）是 Hadoop 的下一代群集调度程序。它允许您在一组机器中分配一些容器（进程），并对它们执行任意命令。
当应用程序与 YARN 进行交互时，它看起来像这样：
- 应用程序：我想在具有512MB内存的两台机器上运行命令 X.
- YARN：很酷，你的代码在哪里？
- 应用程序：http://path.to.host/jobs/download/my.tgz
- YARN：我在node-1.grid和node-2.grid上运行你的工作。
Samza 使用 YARN 来管理部署，容错，日志记录，资源隔离，安全性和局部性。
YARN建筑
YARN 有三个重要的部分：ResourceManager，NodeManager和ApplicationMaster。在YARN网格中，每台机器都运行一个NodeManager，它负责在该机器上启动进程。ResourceManager 与所有 NodeManager 通信，告诉他们要运行什么。如果应用程序希望在群集上运行某些内容，则可以与 ResourceManager 通信。第三部分，ApplicationMaster 实际上是在 YARN 集群中运行的特定于应用程序的代码。它负责管理应用程序的工作负载，请求容器（通常为 UNIX 进程），以及在其中一个容器发生故障时处理通知。
Samza 和 YARN
Samza 提供了一个YARN ApplicationMaster 和一个 YARN 作业运行器开箱即用。Samza 和 YARN 的集成在下图中概述（不同的颜色表示不同的主机）：
当 Samza 的客户想要开始一个新的 Samza 工作时，Samza 客户会与 YARN RM 谈话。YARN RM 与 YARN NM 谈话，为 Samza 的 ApplicationMaster 在群集上分配空间。一旦 NM 分配空间，它将启动 Samza AM。在 Samza AM 启动之后，它向 YARN RM 询问一个或多个 YARN 容器运行SamzaContainers。再次，RM 与 NM 一起为容器分配空间。一旦分配空间，NM 将启动 Samza 容器。
Samza
Samza 使用 YARN 和 Kafka 为逐级流处理和分区提供了一个框架。一切，放在一起，看起来像这样（不同的颜色表示不同的主机）：
Samza 客户端使用 YARN 运行 Samza 工作：YARN 启动并监督一个或多个SamzaContainers，您的处理代码（使用StreamTask API）在这些容器内运行。Samza StreamTasks 的输入和输出来自 Kafka 代理（通常）位于与 YARN NMs 相同的计算机上。
例
让我们来看一个真实的例子：假设我们要计算页面浏览量。在 SQL 中，你会写下如下：
SELECT user_id, COUNT(*) FROM PageViewEvent GROUP BY user_id虽然 Samza 现在不支持 SQL，但这个想法是一样的。计算此查询需要两个作业：一个用户 ID 分组消息，另一个进行计数。
在第一个作业中，通过将具有相同用户 ID 的所有消息发送到中间主题的相同分区来完成分组。您可以通过使用用户 ID 作为第一个作业发出的消息的关键字来执行此操作，并将此密钥映射到中间主题的一个分区（通常通过使用键的散列值 mod 分区数）。第二个工作消耗中间话题。第二个任务中的每个任务都占用中间主题的一个分区，即用户 ID 子集的所有消息。该任务对其分区中的每个用户 ID 具有计数器，并且每当任务接收到具有特定用户 ID 的消息时，相应的计数器递增。
如果您熟悉 Hadoop，您可以将其识别为 Map / Reduce 操作，其中每个记录与映射器中的特定键相关联，具有相同键的记录由框架组合在一起，然后在减少步骤中计数。Hadoop 和 Samza之间的区别在于 Hadoop 在固定输入上运行，而 Samza 则使用无限流数据。
Kafka 接收第一个作业发出的消息并将其缓冲在磁盘上，分布在多台计算机上。这有助于使系统容错：如果一台计算机发生故障，则不会丢失任何消息，因为它们已被复制到其他计算机。而且如果第二个工作出现任何原因缓慢或停止使用消息，则第一个工作不受影响：磁盘缓冲区可以吸收第一个工作中积压的消息，直到第二个工作重新启动。
通过分割主题，通过将流处理分解为在多台计算机上运行的作业和并行任务，Samza 可以以非常高的消息吞吐量扩展到流。通过使用 YARN 和 Kafka，Samza 可以实现容错：如果进程或计算机出现故障，则会在另一台计算机上自动重新启动，并从停止点继续处理消息。
