storm、spark streaming、flink都是開源的分佈式系統，具有低延遲、可擴展和容錯性諸多優點，允許你在運行數據流代碼時，將任務分配到一系列具有容錯能力的計算機上並行運行,都提供了簡單的API來簡化底層實現的複雜程度。
Apache Storm
在Storm中，先要設計一個用於實時計算的圖狀結構，我們稱之爲拓撲（topology）。這個拓撲將會被提交給集羣，由集羣中的主控節點（master node）分發代碼，將任務分配給工作節點（worker node）執行。一個拓撲中包括spout和bolt兩種角色，其中spout發送消息，負責將數據流以tuple元組的形式發送出去；而bolt則負責轉換這些數據流，在bolt中可以完成計算、過濾等操作，bolt自身也可以隨機將數據發送給其他bolt。由spout發射出的tuple是不可變數組，對應着固定的鍵值對。
Apache Spark
Spark Streaming是核心Spark API的一個擴展，它並不會像Storm那樣一次一個地處理數據流，而是在處理前按時間間隔預先將其切分爲一段一段的批處理作業。Spark針對持續性數據流的抽象稱爲DStream（DiscretizedStream），一個DStream是一個微批處理（micro-batching）的RDD（彈性分佈式數據集）；而RDD則是一種分佈式數據集，能夠以兩種方式並行運作，分別是任意函數和滑動窗口數據的轉換。
Apache Flink
Flink 是一個針對流數據和批數據的分佈式處理引擎。它主要是由 Java 代碼實現。對 Flink 而言，其所要處理的主要場景就是流數據，批數據只是流數據的一個極限特例而已。再換句話說，Flink 會把所有任務當成流來處理，這也是其最大的特點。Flink 可以支持本地的快速迭代，以及一些環形的迭代任務。並且 Flink 可以定製化內存管理。在這點，如果要對比 Flink 和 Spark 的話，Flink 並沒有將內存完全交給應用層。這也是爲什麼 Spark 相對於 Flink，更容易出現 OOM 的原因（out of memory）。就框架本身與應用場景來說，Flink 更相似與 Storm。
Flink 的架構圖。
對比圖：
(比較源自大牛的PPT，現在新版storm有很多改進，比如自動反壓機制之類，另外storm trident API也能提供有狀態操作與批處理等)
怎麼選擇
如果你想要的是一個允許增量計算的高速事件處理系統，Storm會是最佳選擇。
如果你必須有狀態的計算，恰好一次的遞送，並且不介意高延遲的話，那麼可以考慮Spark Streaming，特別如果你還計劃圖形操作、機器學習或者訪問SQL的話，Apache Spark的stack允許你將一些library與數據流相結合(Spark SQL，Mllib，GraphX)，它們會提供便捷的一體化編程模型。尤其是數據流算法(例如：K均值流媒體)允許Spark實時決策的促進。
Flink支持增量迭代，具有對迭代自動優化的功能，在迭代式數據處理上，比Spark更突出，Flink基於每個事件一行一行地流式處理，真正的流式計算，流式計算跟Storm性能差不多，支持毫秒級計算，而Spark則只能支持秒級計算。