一，Strom的特点
1，架构：
1.1，Nimbus
1.2，Supervisor
1.3，Worker
2.2，编程模型：
2.1，DAG
2.2，Spout
2.3，Bolt
3，数据传输：
3.1，Zmq
Zmq也是开源的消息传递的框架，虽然叫mq，但它并不是一个message queue，而是一个封装的比较好的
3.2，Netty
netty是NIO的网络框架，效率比较高。之所以有netty是storm在apache之后呢，zmq的license和storm的license不兼容的，bolt处理完消息后会告诉Spout
4，高可用性：
4.1，异常处理
4.2，消息可靠性保证机制
5，可维护性：Storm有个UI可以看跑在上面的程序监控
二，Strom实时低延迟，主要有两个原因
1，Strom进程是常驻内存的，不像Hadoop里面是不断的启停的，就没有不断启停的开销。
2，Strom的数据是不经过磁盘的，都是在内存里面，处理完就没有了，处理完就没有了，数据的交换经过网络，这样就避免磁盘IO的开销，所以Strom可以很低的延迟。
三，Strom和Hadoop的区别
1，数据来源：Hadoop是HDFS上某个文件夹下的可能是成TB的数据，Strom是实时新增的某一笔数据
2，处理过程：Hadoop是分MAP阶段到REDUCE阶段，Strom是由用户定义处理流程，流程中可以包含多个步骤，每个步骤可以是数据源(SPOUT)或处理逻辑(BOLT)
3，是否结束：Hadoop最后是要结束的，Strom是没有结束状态，到最后一步时，就停在那，直到有新数据进入时再从头开始
4，处理速度：Hadoop是以处理HDFS上大量数据为目的，速度慢，Strom是只要处理新增的某一笔数据即可以做到很快
5，适用场景：Hadoop是在要处理一批数据时用的，不讲究时效性，要处理就提交一个JOB，Strom是要处理某一新增数据时用的，要讲时效性
6，与MQ对比：Hadoop没有对比性，Strom可以看作是有N个步骤，每个步骤处理完就向下一个MQ发送消息，监听这个MQ的消费者继续处理
Storm：进程、线程常驻运行，数据不进入磁盘，网络传递。
MapReduce：TB、PB级别数据设计的，一次的批处理作业。
四，Storm与Spark Streaming的区别
1，Storm：纯流式处理，处理数据单元是一个个Tuple。另外Storm专门为流式处理设计，它的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
2，Spark Streaming：微批处理，一个批处理怎么做流式处理呢，它基于内存和DAG可以把处理任务做的很快，把RDD做的很小来用小的批处理来接近流式处理
