大資料架構師：hadoop與Storm全方位比較，到底選哪一個？
首先整體認識：Hadoop是磁碟級計算，進行計算時，資料在磁碟上，需要讀寫磁碟；Storm是記憶體級計算，資料直接通過網路匯入記憶體。讀寫記憶體比讀寫磁碟速度快n個數量級。根據Harvard CS61課件，磁碟訪問延遲約為記憶體訪問延遲的75000倍。所以Storm更快。
註釋：
1. 延時 ， 指資料從產生到運算產生結果的時間，“快”應該主要指這個。
2. 吞吐， 指系統單位時間處理的資料量。
storm的網路直傳、記憶體計算，其時延必然比hadoop的通過hdfs傳輸低得多;當計算模型比較適合流式時，storm的流式處理，省去了批處理的收集資料的時間;因為storm是服務型的作業，也省去了作業排程的時延。所以從時延上來看，storm要快於hadoop。
從原理角度來講：
Hadoop M/R基於HDFS，需要切分輸入資料、產生中間資料檔案、排序、資料壓縮、多份複製等，效率較低。
Storm 基於ZeroMQ這個高效能的訊息通訊庫，不持久化資料。
為什麼storm比hadoop快，下面舉一個應用場景
說一個典型的場景，幾千個日誌生產方產生日誌檔案，需要進行一些ETL操作存入一個數據庫。
假設利用hadoop，則需要先存入hdfs，按每一分鐘切一個檔案的粒度來算(這個粒度已經極端的細了，再小的話hdfs上會一堆小檔案)，hadoop
開始計算時，1分鐘已經過去了，然後再開始排程任務又花了一分鐘，然後作業執行起來，假設機器特別多，幾鈔鍾就算完了，然後寫資料庫假設也花了很少的時間，這樣，從資料產生到最後可以使用已經過去了至少兩分多鐘。
而流式計算則是資料產生時，則有一個程式去一直監控日誌的產生，產生一行就通過一個傳輸系統發給流式計算系統，然後流式計算系統直接處理，處理完之後直接寫入資料庫，每條資料從產生到寫入資料庫，在資源充足時可以在毫秒級別完成。
同時說一下另外一個場景：
如果一個大檔案的wordcount，把它放到storm上進行流式的處理，等所有已有資料處理完才讓storm輸出結果，這時候，你再把它和hadoop比較快慢，這時，其實比較的不是時延，而是比較的吞吐了。
最主要的方面：Hadoop使用磁碟作為中間交換的介質，而storm的資料是一直在記憶體中流轉的。
兩者面向的領域也不完全相同，一個是批量處理，基於任務排程的;另外一個是實時處理，基於流。
以水為例，Hadoop可以看作是純淨水，一桶桶地搬;而Storm是用水管，預先接好(Topology)，然後開啟水龍頭，水就源源不斷地流出來了。
Storm 的主工程師Nathan Marz表示：
Storm可以方便地在一個計算機叢集中編寫與擴充套件複雜的實時計算，Storm之於實時處理，就好比Hadoop之於批處理。Storm保證每個訊息都會得到處理，而且它很快——在一個小叢集中，每秒可以處理數以百萬計的訊息。更棒的是你可以使用任意程式語言來做開發。
在此我向大家推薦一個大資料開發交流圈：658558542 （☛點選即可加入群聊）裡面整理了一大份學習資料，全都是些乾貨，包括大資料技術入門，大資料離線處理、資料實時處理、Hadoop 、Spark、Flink、推薦系統演算法以及原始碼解析等，送給每一位大資料小夥伴，讓自學更輕鬆。這裡不止是小白聚集地，還有大牛線上解答！歡迎初學和進階中的小夥伴一起進群學習交流，共同進步！
Storm的主要特點如下：
1.簡單的程式設計模型。類似於MapReduce降低了並行批處理複雜性，Storm降低了進行實時處理的複雜性。
2.可以使用各種程式語言。你可以在Storm之上使用各種程式語言。預設支援Clojure、Java、Ruby和Python。要增加對其他語言的支援，只需實現一個簡單的Storm通訊協議即可。
3.容錯性。Storm會管理工作程序和節點的故障。
4.水平擴充套件。計算是在多個執行緒、程序和伺服器之間並行進行的。
5.可靠的訊息處理。Storm保證每個訊息至少能得到一次完整處理。任務失敗時，它會負責從訊息源重試訊息。
6.快速。系統的設計保證了訊息能得到快速的處理，使用ØMQ作為其底層訊息佇列。
7.本地模式。Storm有一個“本地模式”，可以在處理過程中完全模擬Storm叢集。這讓你可以快速進行開發和單元測試。
在消耗資源相同的情況下，一般來說storm的延時低於mapreduce。但是吞吐也低於mapreduce。storm是典型的流計算系統，mapreduce是典型的批處理系統。下面對流計算和批處理系統流程
這個資料處理流程來說大致可以分三個階段：
1. 資料採集與準備
2. 資料計算(涉及計算中的中間儲存)， 題主中的“那些方面決定”應該主要是指這個階段處理方式。
3. 資料結果展現(反饋)
1)資料採集階段，目前典型的處理處理策略：
資料的產生系統一般出自頁面打點和解析DB的log，流計算將資料採集中訊息佇列(比如 kafaka,metaQ,timetunle)等。批處理系統一般將資料採集進分散式檔案系統(比如HDFS)，當然也有使用訊息佇列的。我們暫且把訊息佇列和檔案系統稱為預處理儲存。二者在延時和吞吐上沒太大區別，接下來從這個預處理儲存進入到資料計算階段有很大的區別，流計算一般在實時的讀取訊息佇列進入流計算系統(storm)的資料進行運算，批處理一系統一般會攢一大批後批量匯入到計算系統(hadoop)，這裡就有了延時的區別。
2)資料計算階段，流計算系統(storm)的延時低主要有一下幾個方面(針對題主的問題)
A： storm 程序是常駐的，有資料就可以進行實時的處理
mapreduce 資料攢一批後由作業管理系統啟動任務，Jobtracker計算任務分配，tasktacker啟動相關的運算程序
B： stom每個計算單元之間資料之間通過網路(zeromq)直接傳輸。
mapreduce map任務運算的結果要寫入到HDFS，在於reduce任務通過網路拖過去運算。相對來說多了磁碟讀寫，比較慢
C： 對於複雜運算
storm的運算模型直接支援DAG(有向無環圖)
mapreduce 需要肯多個MR過程組成，有些map操作沒有意義的
3)資料結果展現
流計算一般運算結果直接反饋到最終結果集中(展示頁面，資料庫，搜尋引擎的索引)。而mapreduce一般需要整個運算結束後將結果批量匯入到結果集中。
實際流計算和批處理系統沒有本質的區別，像storm的trident也有批概念，而mapreduce可以將每次運算的資料集縮小(比如幾分鐘啟動一次)，facebook的puma就是基於hadoop做的流計算系統。
感謝您的觀看，如有不足之處，歡迎批評指正。最後祝福所有遇到瓶頸的大資料程式設計師們突破自己，祝福大家在往後的工作與面試中一切順利。