Storm 好像傳統的滾梯，來了數據就處理
Hadoop好像是電梯，批量處理數據
Spark streaming 微批處理介於滾梯和電梯之間
Storm 特徵
storm 是個實時的，分佈式的以及高容錯的計算框架
1 storm 常駐內存
2 storm幾乎不經過硬盤，在內存中處理
下面通過官方拓撲圖理解下
看圖說話
1 水龍頭 spout 數據的源頭
2 水滴 tuple 中文 元組 相當於關係型數據庫裏的一行數據 es裏的doc java裏的object
在storm裏代表storm架構處理數據的最小單位
3 水滴加閃電 在storm 裏 代表一個bolt（雷電） （component元件） 一個處理單元
spout vs bolt 1 vs n
4 從圖中我們還可以知道這是一個DAG圖，directed acyclic grapth 有向無環圖
Storm架構 （主從）
1 Nimbus （老闆） 相當於hadoop的namenode
任務分配，資源調度
2 Supervisor （監工） 相當於hadoop的datanode
指派老闆分配下來的任務，通過開啓關閉工作進程的方式
3 worker (工人) 具體幹活的進程
數據傳輸
結點間通訊採用技術
1 ZMQ
twitter早期產品 zero message queue 開源的消息傳遞框架 後來發現有bug不用了
2 Netty
netty是一種基於nio的網絡框架，更加高效，storm0.9後使用Netty，其實也是一種消息隊列
高可靠性
1 異常處理
2 消息可靠性保障機制 ACKER機制
可維護性
Storm ui 圖形化監控接口
Storm 流式處理
異步的實時分析
例：計算PV、UV、訪問熱點 以及 某些數據的聚合、加和、平均等
客戶端提交數據之後，計算完成結果存儲到Redis、HBase、MySQL或者其他MQ當中，
客戶端並不關心最終結果是多少。
同步是實時分析
客戶端提交數據請求之後，立刻取得計算結果並返回給客戶端，推薦系統
Storm 和 MapReduce區別
Storm：進程、線程常駐內存運行，數據不進入磁盤，數據通過網絡傳遞。
MapReduce：爲TB、PB級別數據設計的批處理計算框架。
Storm 和 Spark Streaming 區別
Storm：純流式處理
專門爲流式處理設計
數據傳輸模式更爲簡單，很多地方也更爲高效
並不是不能做批處理，它也可以來做微批處理，來提高吞吐
Spark Streaming：微批處理
將RDD做的很小來用小的批處理來接近流式處理
基於內存和DAG可以把處理任務做的很快
未完待續！！！！！