一、可能很多初學大數據的夥伴不知道strom是什麼，先給大家介紹一下strom：
分佈式實時計算系統，storm對於實時計算的意義類似於hadoop對於批處理的意義。
storm的適用場景。
流數據處理。Storm可以用來處理源源不斷流進來的消息，處理之後將結果寫入到某個存儲中去。
分佈式rpc。由於storm的處理組件是分佈式的，而且處理延遲極低，所以可以作爲一個通用的分佈式rpc框架來使用。當然，其實我們的搜索引擎本身也是一個分佈式rpc系統
有一句話叫做三人行必有我師，其實做爲一個開發者，有一個學習的氛圍
跟一個交流圈子特別重要這是一個我的大數據交流學習羣531629188
不管你是小白還是大牛歡迎入駐，正在求職的也可以加入
，大家一起交流學習，話糙理不糙，互相學習，共同進步，一起加油吧。
二、然後我們再看下Storm、Spark、 Hadoop都有何特點
Storm： 分佈式實時計算，強調實時性，常用於實時性要求較高的地方；
Hadoop：分佈式批處理計算，強調批處理，常用於數據挖掘、分析；
Spark：是一個基於內存計算的開源的集羣計算系統，目的是讓數據分析更加快速, Spark 是一種與 Hadoop 相似的開源集羣計算環境，但是兩者之間還存在一些不同之處，這些有用的不同之處使 Spark 在某些工作負載方面表現得更加優越，換句話說，Spark 啓用了內存分佈數據集，除了能夠提供交互式查詢外，它還可以優化迭代工作負載。
三、strom的優勢
- 簡單編程
在大數據處理方面相信大家對hadoop已經耳熟能詳，基於GoogleMap/Reduce來實現的Hadoop爲開發者提供了map、reduce原語，使並行批處理程序變得非常地簡單和優美。同樣，Storm也爲大數據的實時計算提供了一些簡單優美的原語，這大大降低了開發並行實時處理的任務的複雜性，幫助你快速、高效的開發應用。
Spark提供的數據集操作類型有很多種，不像Hadoop只提供了Map和Reduce兩種操作。比如map,filter, flatMap,sample, groupByKey, reduceByKey, union, join, cogroup,mapValues, sort,partionBy等多種操作類型，他們把這些操作稱爲Transformations。同時還提供Count, collect, reduce, lookup, save等多種actions。這些多種多樣的數據集操作類型，給上層應用者提供了方便。各個處理節點之間的通信模型不再像Hadoop那樣就是唯一的Data Shuffle一種模式。用戶可以命名，物化，控制中間結果的分區等。可以說編程模型比Hadoop更靈活.。 - 多語言支持
除了用java實現spout和bolt，你還可以使用任何你熟悉的編程語言來完成這項工作，這一切得益於Storm所謂的多語言協議。多語言協議是Storm內部的一種特殊協議，允許spout或者bolt使用標準輸入和標準輸出來進行消息傳遞，傳遞的消息爲單行文本或者是json編碼的多行。
Storm支持多語言編程主要是通過ShellBolt，ShellSpout和ShellProcess這些類來實現的，這些類都實現了IBolt 和 ISpout接口，以及讓shell通過java的ProcessBuilder類來執行腳本或者程序的協議。
可以看到，採用這種方式，每個tuple在處理的時候都需要進行json的編解碼，因此在吞吐量上會有較大影響。 - 支持水平擴展
在Storm集羣中真正運行topology的主要有三個實體：工作進程、線程和任務。Storm集羣中的每臺機器上都可以運行多個工作進程，每個工作進程又可創建多個線程，每個線程可以執行多個任務，任務是真正進行數據處理的實體，我們開發的spout、bolt就是作爲一個或者多個任務的方式執行的。
因此，計算任務在多個線程、進程和服務器之間並行進行，支持靈活的水平擴展。 - 容錯性強
如果在消息處理過程中出了一些異常，Storm會重新安排這個出問題的處理單元。Storm保證一個處理單元永遠運行（除非你顯式殺掉這個處理單元）。 - 可靠的消息保證
Storm可以保證spout發出的每條消息都能被“完全處理”，這也是直接區別於其他實時系統的地方，如S4。 - 快速的消息處理
用ZeroMQ作爲底層消息隊列, 保證消息能快速被處理 - 本地模式，支持快速編程測試
Storm有一種“本地模式”，也就是在進程中模擬一個Storm集羣的所有功能，以本地模式運行topology跟在集羣上運行topology類似，這對於我們開發和測試來說非常有用。