Spark基于这样的理念，当数据庞大时，把计算过程传递给数据要比把数据传递给计算过程要更富效率。每一个节点存储（或缓存）它的数据集，而后任务被提交给节点。 算法
因此这是把过程传递给数据。这和Hadoop map/reduce很是类似，除了积极使用内存来避免I/O操做，以使得迭代算法（前一步计算输出是下一步计算的输入）性能更高。 缓存
Shark只是一个基于Spark的查询引擎（支持ad-hoc临时性的分析查询） 网络
而Storm的架构和Spark截然相反。Storm是一个分布式流计算引擎。每一个节点实现一个基本的计算过程，而数据项在互相链接的网络节点中流进流出。和Spark相反，这个是把数据传递给过程。 架构
两个框架都用于处理大量数据的并行计算。 框架
Storm在动态处理大量生成的“小数据块”上要更好（好比在Twitter数据流上实时计算一些汇聚功能或分析）。 分布式
Spark工做于现有的数据全集（如Hadoop数据）已经被导入Spark集群，Spark基于in-memory管理能够进行快讯扫描，并最小化迭代算法的全局I/O操做。 oop
不过Spark流模块（Streaming Module）却是和Storm相相似（都是流计算引擎），尽管并不是彻底同样。 性能
Spark流模块先汇聚批量数据而后进行数据块分发（视做不可变数据进行处理），而Storm是只要接收到数据就实时处理并分发。 spa
不肯定哪一种方式在数据吞吐量上要具优点，不过Storm计算时间延迟要小。 设计
总结下，Spark和Storm设计相反，而Spark Steaming才和Storm相似，前者有数据平滑窗口（sliding window），然后者须要本身去维护这个窗口。