Storm 好像传统的滚梯，来了数据就处理
Hadoop好像是电梯，批量处理数据
Spark streaming 微批处理介于滚梯和电梯之间
Storm 特征
storm 是个实时的，分布式的以及高容错的计算框架
1 storm 常驻内存
2 storm几乎不经过硬盘，在内存中处理
下面通过官方拓扑图理解下
看图说话
1 水龙头 spout 数据的源头
2 水滴 tuple 中文 元组 相当于关系型数据库里的一行数据 es里的doc java里的object
在storm里代表storm架构处理数据的最小单位
3 水滴加闪电 在storm 里 代表一个bolt（雷电） （component元件） 一个处理单元
spout vs bolt 1 vs n
4 从图中我们还可以知道这是一个DAG图，directed acyclic grapth 有向无环图
Storm架构 （主从）
1 Nimbus （老板） 相当于hadoop的namenode
任务分配，资源调度
2 Supervisor （监工） 相当于hadoop的datanode
指派老板分配下来的任务，通过开启关闭工作进程的方式
3 worker (工人) 具体干活的进程
数据传输
结点间通讯采用技术
1 ZMQ
twitter早期产品 zero message queue 开源的消息传递框架 后来发现有bug不用了
2 Netty
netty是一种基于nio的网络框架，更加高效，storm0.9后使用Netty，其实也是一种消息队列
高可靠性
1 异常处理
2 消息可靠性保障机制 ACKER机制
可维护性
Storm ui 图形化监控接口
Storm 流式处理
异步的实时分析
例：计算PV、UV、访问热点 以及 某些数据的聚合、加和、平均等
客户端提交数据之后，计算完成结果存储到Redis、HBase、MySQL或者其他MQ当中，
客户端并不关心最终结果是多少。
同步是实时分析
客户端提交数据请求之后，立刻取得计算结果并返回给客户端，推荐系统
Storm 和 MapReduce区别
Storm：进程、线程常驻内存运行，数据不进入磁盘，数据通过网络传递。
MapReduce：为TB、PB级别数据设计的批处理计算框架。
Storm 和 Spark Streaming 区别
Storm：纯流式处理
专门为流式处理设计
数据传输模式更为简单，很多地方也更为高效
并不是不能做批处理，它也可以来做微批处理，来提高吞吐
Spark Streaming：微批处理
将RDD做的很小来用小的批处理来接近流式处理
基于内存和DAG可以把处理任务做的很快
未完待续！！！！！