Storm優勢就在于Storm是實時的連續性的分布式的計算框架,一旦運行起來,除非你將它殺掉,否則它一直處理計算或等待計算的狀態.Spark和hadoop都做不到.

當然它們各自都有其應用場景,各有各的優勢.可以配合使用.

下面我轉一份別人的資料,講的很清楚.

Storm與Spark、Hadoop這三種框架，各有各的優點，每個框架都有自己的最佳應用場景。

所以，在不同的應用場景下，應該選擇不同的框架。

Storm是最佳的流式計算框架，Storm由Java和Clojure寫成，Storm的優點是全內存計算，所以它的定位是分布式實時計算系統，按照Storm作者的說法，Storm對于實時計算的意義類似于Hadoop對于批處理的意義。

Storm的適用場景：

1）流數據處理

Storm可以用來處理源源不斷流進來的消息，處理之后將結果寫入到某個存儲中去。

2）分布式RPC。由于Storm的處理組件是分布式的，而且處理延遲極低，所以可以作為一個通用的分布式RPC框架來使用。

SparkSpark是一個基于內存計算的開源集群計算系統，目的是更快速的進行數據分析。Spark由加州伯克利大學AMP實驗室Matei為主的小團隊使用Scala開發開發，類似于Hadoop MapReduce的通用并行計算框架，Spark基于Map Reduce算法實現的分布式計算，擁有Hadoop MapReduce所具有的優點，但不同于MapReduce的是Job中間輸出和結果可以保存在內存中，從而不再需要讀寫HDFS，因此Spark能更好地適用于數據挖掘與機器學習等需要迭代的Map Reduce的算法。

Spark的適用場景：

1）多次操作特定數據集的應用場合

Spark是基于內存的迭代計算框架，適用于需要多次操作特定數據集的應用場合。需要反復操作的次數越多，所需讀取的數據量越大，受益越大，數據量小但是計算密集度較大的場合，受益就相對較小。

2）粗粒度更新狀態的應用

由于RDD的特性，Spark不適用那種異步細粒度更新狀態的應用，例如Web服務的存儲或者是增量的Web爬蟲和索引。就是對于那種增量修改的應用模型不適合。

總的來說Spark的適用面比較廣泛且比較通用。

Hadoop是實現了MapReduce的思想，將數據切片計算來處理大量的離線數據數據。Hadoop處理的數據必須是已經存放在HDFS上或者類似HBase的數據庫中，所以Hadoop實現的時候是通過移動計算到這些存放數據的機器上來提高效率。

Hadoop的適用場景：

1）海量數據的離線分析處理

2）大規模Web信息搜索

3）數據密集型并行計算

簡單來說：

Hadoop適合于離線的批量數據處理適用于對實時性要求極低的場景

Storm適合于實時流數據處理，實時性方面做得極好

Spark是內存分布式計算框架，試圖吞并Hadoop的Map-Reduce批處理框架和Storm的流處理框架，但是Spark已經做得很不錯了，批處理方面性能優于Map-Reduce，但是流處理目前還是弱于Storm，產品仍在改進之中