先做乙個對比：
對比點storm
spark streaming
實時計算模型
純實時，來一條資料，處理一條資料
準實時，對乙個時間段內的資料收集起來，作為乙個rdd，再處理
實時計算延遲度
毫秒級秒級
吞吐量低
高事務機制
支援完善
支援，但不夠完善
健壯性 / 容錯性
zookeeper，acker，非常強
checkpoint，wal，一般
動態調整並行度
支援不支援
再來說說spark streaming與storm的應用場景
先說一下storm：
1、建議在那種需要純實時，不能忍受1秒以上延遲的場景下使用，比如實時金融系統，要求純實時進行金融交易和分析
2、此外，如果對於實時計算的功能中，要求可靠的事務機制和可靠性機制，即資料的處理完全精準，一條也不能多，一條也不能少，也可以考慮使用storm
3、如果還需要針對高峰低峰時間段，動態調整實時計算程式的並行度，以最大限度利用集群資源（通常是在小型公司，集群資源緊張的情況），也可以考慮用storm
4、如果乙個大資料應用系統，它就是純粹的實時計算，不需要在中間執行sql互動式查詢、複雜的transformation運算元等，那麼用storm是比較好的選擇
spark 呢：
1、如果對上述適用於storm的三點，一條都不滿足的實時場景，即，不要求純實時，不要求強大可靠的事務機制，不要求動態調整並行度，那麼可以考慮使用spark streaming
2、考慮使用spark streaming最主要的乙個因素，應該是針對整個專案進行巨集觀的考慮，即，如果乙個專案除了實時計算之外，還包括了離線批處理、互動式查詢等業務功能，而且實時計算中，可能還會牽扯到高延遲批處理、互動式查詢等功能，那麼就應該首選spark生態，用spark core開發離線批處理，用spark sql開發互動式查詢，用spark streaming開發實時計算，三者可以無縫整合，給系統提供非常高的可擴充套件性
spark streaming與storm的優劣分析
事實上，spark streaming絕對談不上比storm優秀。這兩個框架在實時計算領域中，都很優秀，只是擅長的細分場景並不相同。
spark streaming僅僅在吞吐量上比storm要優秀，而吞吐量這一點，也是歷來挺spark streaming，貶storm的人著重強調的。但是問題是，是不是在所有的實時計算場景下，都那麼注重吞吐量？不盡然。因此，通過吞吐量說spark streaming強於storm，不靠譜。
事實上，storm在實時延遲度上，比spark streaming就好多了，前者是純實時，後者是準實時。而且，storm的事務機制、健壯性 / 容錯性、動態調整並行度等特性，都要比spark streaming更加優秀。
spark streaming，有一點是storm絕對比不上的，就是：它位於spark生態技術棧中，因此spark streaming可以和spark core、spark sql無縫整合，也就意味著，我們可以對實時處理出來的中間資料，立即在程式中無縫進行延遲批處理、互動式查詢等操作。這個特點大大增強了spark streaming的優勢和功能。
推薦閱讀：
kafka 入門教程
你可以不懂但一定要知道的**審查 code review
elk stack 實戰教程
filebeat+kafka+strom+logstash+es 輿情採集系統
安全漏洞掃瞄，風險原因分析及解決方案
spark與storm的對比
對比點 storm spark streaming 實時計算模型 純實時，來一條資料，處理一條資料 準實時，對乙個時間段內的資料收集起來，作為乙個rdd，再處理 實時計算延遲度 毫秒級 秒級 吞吐量 低 高 事務機制 支援完善 支援，但不夠完善 健壯性 容錯性 zookeeper，acker，非常強...
spark與storm的對比
對比點 storm spark streaming 實時計算模型 純實時，來一條資料，處理一條資料 準實時，對乙個時間段內的資料收集起來，作為乙個rdd，再處理 實時計算延遲度 毫秒級 秒級 吞吐量 低 高事務機制 支援完善 支援，但不夠完善 健壯性 容錯性 zookeeper，acker，非常強 ...
spark與storm的對比
對比點storm spark streaming 實時計算模型 純實時，來一條資料，處理一條資料 準實時，對乙個時間段內的資料收集起來，作為乙個rdd，再處理 實時計算延遲度 毫秒級秒級 吞吐量低 高事務機制 支援完善 支援，但不夠完善 健壯性 容錯性 zookeeper，acker，非常強 che...