Storm和Hadoop的联系与区别
一、Storm和Hadoop之间的联系：1、数据存储；2、数据源。二、Storm和Hadoop的区别：1、处理框架不同；2、处理过程不同；3、结束方式不同；4、处理速度不同；5、适用场景不同；6、主从结构不同。
一、Storm和Hadoop之间的联系
二者之间的联系主要是在数据存储和数据源方面。
1、数据存储
Storm可以使用HDFS作为数据的持久化存储，也可以使用HBase或其他的数据库作为数据的实时存储。Storm还可以使用Hadoop的其他组件，如Flume、Sqoop等，来导入或导出数据。
2、数据源
Storm还可以使用Hadoop作为数据的来源，通过读取HDFS中的文件或者接收MapReduce输出的结果来进行实时处理。Storm也可以与Kafka等消息队列系统结合，来接收其他系统产生的实时数据。
二、Storm和Hadoop的区别
1、处理框架不同
Hadoop是一个分布式存储和计算的平台，它主要用于对大量离线数据进行批量处理。Hadoop的核心组件是HDFS（分布式文件系统）和MapReduce（分布式计算模型）。Hadoop还有很多其他的组件，如Hive、Pig、Spark等，可以提供不同的功能和优化。
Storm是一个分布式实时计算的框架，它主要用于对持续产生的在线数据进行流式处理。Storm的核心组件是Spout（数据源）和Bolt（数据处理单元），它们可以构成一个拓扑结构来实现复杂的逻辑。Storm还可以与其他的组件，如Kafka、Redis等，进行集成和协作。
2、处理过程不同
Hadoop是分MAP阶段到REDUCE阶段；Storm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、结束方式不同
Hadoop最后是要结束的。Storm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、处理速度不同
Hadoop是以处理HDFS上TB级别数据为目的，数据是保存在文件系统中，一批一批处理的处理速度慢；Storm是处理的是实时新增的某一笔数据(实时数据)，通过网络传输进来的，TORM是只要处理新增的某一笔数据即可，速度较快。
5、适用场景不同
Hadoop的适用场景：
1）海量数据的离线分析处理
2）大规模Web信息搜索
3）数据密集型并行计算
Storm的适用场景：
1）流数据处理
Storm可以用来处理源源不断流进来的消息，处理之后将结果写入到某个存储中去。
2）分布式RPC。由于Storm的处理组件是分布式的，而且处理延迟极低，所以可以作为一个通用的分布式RPC框架来使用。
6、主从结构不同
Hadoop：在Hadoop中，由于同时着重于计算和存储，同时存在两个master/slave机制。数据计算使用的使用的是MapReduce框架,master 节点称之为JobTracker,slave节点称之为TaskTracker。数据存储使用的是HDFS,master节点称之为NameNode,slave节点称之为DataNode。
Storm:由于Storm只着重于计算,因此只有一套计算的master/slave机制。master称之为Nimbus,slave称之为supervisor。对应的是Hadoop的分布式计算框架mapreduce。
