在storm的流计算框架中，在数据量非常大或者计算逻辑比较复杂的情况下，可能会造成处理速度变慢的情况，最后反而不满足了系统的处理要求，因此这里讨论一下。本文的内容是我在storm的使用过程中所得到的一些经验，个人的观点，如果考虑不够全面或者有某些问题，以后会慢慢补齐或者改进。

在数据量一定的情况下，如果要提高计算效率，当然首要的任务是

（1）要将系统中的算法调优。有可能一个算法浪费了一小部分时间，但由于数据量可能比较大，以至于整体上1秒的时间内可能浪费大量的时间。因此，算法的设计还是比较重要的。

（2）其次，就是调整系统中占用资源比较多、运算速度比较慢的那些spout和bolt。在进行topology设计时需要设计好每个bolt的并行度。对于运行速度比较慢的bolt，需要调大他们的并行度，是得更多的资源用到这些计算上面来。这里，bolt运行的快慢是可以从ui界面中看到的，如下图：

如上图，其中，capacity表示一种容量，其实就是占用的资源的百分比。比如，0.799就表示占用了79.9%的分配给这个bolt的资源。这个数值越大，则表示的处理起来速度越慢，则更要加大它的并行度。

（3）然后就是设置acker的数量。acker是在bolt成功处理后，进行ack调用的线程（还是进程，我忘记了）。当数据量比较大时，需要使用这个线程的次数就比较多，因此有可能这个线程就是制约处理速度的因素。因此，可以适当调大acker的数量，用于进行ack的调用。系统中，如果不设置的话，acker的数量默认为1；可以通过以下语句在topology中进行设定：

（4）再就是，在算法的设计过程中，当需要使用某些算法时，比如进行分组的算法，则尽量使用storm系统中自带的fieldsgrouping的方法来代替自己实现的算法。这样效率应该会有提高。

conf.put(Config.TOPOLOGY_ACKER_EXECUTORS, 10);//设置acker的数量

（5）在设置线程的并行度时，最好能够根服务器集群的及其数量和其每台的cpu的核心数有所关联。我一般这样设置，比如，在我的使用的集群中，假如共有5台用于工作的服务器，则我在进行资源消耗较多的bolt的并行度设置时，一般设置其并行度是5的倍数，如10,15，20等。这样可以更容易的促进系统自动进行负载的均衡。

（6）设置好worker的数量。worker是指工作进程的数量，其上可以运行多个工作线程。在设置worker的数量时，首先查看系统中的所有的executors线程数共有多少，比如，有45个。那么，在设置worker的数量时，最好使得每个worker进程所占有的线程数不要太大，也不要太小。我一般设置为3，也就是说每个worker进程大约有3个左右的线程。在上面的45个executors线程的例子中，若共有5台机器，则设置共有25个worker，则每台机器上有5个worker；对于45个线程，每台机器上有15个；这样一平均，则每个worker进程中有3个executors线程。

（这是我自己的看法，大家可以试一下。我感觉如果负载均衡了会更有利于大型集群的运算处理。）

（7）当集群中数据量比较大时，则最好能设置spout中的等待处理的数据量的大小。当集群中等待的数据量比较大时，也就是数据发送比较快，但是处理太慢。这个时候应该阻止spout的发送，否则可能会导致系统队列爆掉。因此，设置以下：

conf.put(Config.TOPOLOGY_MAX_SPOUT_PENDING, 10000);//设置一个spout task上面最多有多少个没有处理的tuple（没有ack/failed）回复，以防止tuple队列爆掉

--------------------- 本文来自 shuaiokshuai 的CSDN 博客 ，全文地址请点击：https://blog.csdn.net/shuaiOKshuai/article/details/38365279?utm_source=copy