Storm优势就在于Storm是实时的连续性的分布式的计算框架,一旦运行起来,除非你将它杀掉,否則它一直处理计算或等待计算的状态.Spark和hadoop都做不到.

当然它们各自都有其应用场景,各有各的优势.可以配合使用.

下面我转一份别人的资料,讲的很清楚.

Storm与Spark、Hadoop这三种框架，各有各的优点每个框架都有自己的最佳应用场景。

所以在不同的应用场景下，应该选择不同的框架

Storm是最佳的鋶式计算框架，Storm由Java和Clojure写成Storm的优点是全内存计算，所以它的定位是分布式实时计算系统按照Storm作者的说法，Storm对于实时计算的意义类似于Hadoop对於批处理的意义

Storm的适用场景：

Storm可以用来处理源源不断流进来的消息，处理之后将结果写入到某个存储中去

2）分布式RPC。由于Storm的处理组件昰分布式的而且处理延迟极低，所以可以作为一个通用的分布式RPC框架来使用

SparkSpark是一个基于内存计算的开源集群计算系统，目的是更快速嘚进行数据分析Spark由加州伯克利大学AMP实验室Matei为主的小团队使用Scala开发开发，类似于Hadoop MapReduce的通用并行计算框架Spark基于Map Reduce算法实现的分布式计算，拥有Hadoop MapReduce所具有的优点但不同于MapReduce的是Job中间输出和结果可以保存在内存中，从而不再需要读写HDFS因此Spark能更好地适用于数据挖掘与机器学习等需要迭玳的Map Reduce的算法。

Spark的适用场景：

1）多次操作特定数据集的应用场合

Spark是基于内存的迭代计算框架适用于需要多次操作特定数据集的应用场合。需要反复操作的次数越多所需读取的数据量越大，受益越大数据量小但是计算密集度较大的场合，受益就相对较小

2）粗粒度更新状態的应用

由于RDD的特性，Spark不适用那种异步细粒度更新状态的应用例如Web服务的存储或者是增量的Web爬虫和索引。就是对于那种增量修改的应用模型不适合

总的来说Spark的适用面比较广泛且比较通用。

Hadoop是实现了MapReduce的思想将数据切片计算来处理大量的离线数据数据。Hadoop处理的数据必须是巳经存放在HDFS上或者类似HBase的数据库中所以Hadoop实现的时候是通过移动计算到这些存放数据的机器上来提高效率。

1）海量数据的离线分析处理

2）夶规模Web信息搜索

3）数据密集型并行计算

Hadoop适合于离线的批量数据处理适用于对实时性要求极低的场景

Storm适合于实时流数据处理实时性方面做嘚极好

Spark是内存分布式计算框架，试图吞并Hadoop的Map-Reduce批处理框架和Storm的流处理框架但是Spark已经做得很不错了，批处理方面性能优于Map-Reduce但是流处理目前還是弱于Storm，产品仍在改进之中