Apache Spark和Apache Store的區別是什麽？他們各自適用於什麽樣的應用場景？這是stackoverflow上的一個問題，這裏整理簡要版回答如下：
Apache Spark是基於內存的分布式數據分析平台，旨在解決快速批處理分析任務、迭代機器學習任務、交互查詢以及圖處理任務。其最主要的特點在於，Spark使用了RDD或者說彈性分布式數據集。 RDD非常適合用於計算的流水線式並行操作。RDD的不變性(immutable)保證，使其具有很好的容錯能力。如果您感興趣的是更快地執行Hadoop MapReduce作業，Spark是一個很好的選項（雖然必須考慮內存要求）。Spark相對於hadoop MR來說，除了性能優勢之外，還有大量豐富的API，這使得分布式編程更高效。
Spark架構圖如下，總體結構非常簡潔，沒什麽需要多說的，這裏對spark的幾個細節補充解讀如下：
- 每個spark應用程序有自己的執行進程，進程以多線程的方式執行同一個應用的不同任務(tasks)。
- 因為不同的spark應用是不同進程，所以無論是在driver端還是executor端，不同用程序都是互相隔離的，在沒有集群外存儲的情況下，應用之間不能共享數據。
- Spark對底層集群管理器是不可知的。通常能做集群進程管理的容器，都可以管理spark程序。例如Mesos / YARN這樣的集群管理也可以用於spark。當前在各大互諒網公司比較常用的就是基於yarn的spark。
- driver端必須在整個應用的生命周期內存在，並且是可尋址（固定在某個機器或者說IP上），因為executor都要跟driver建立連接並通訊。
- 由於是driver端來負責任務的調度(指應用具體操作的輸入輸出控製，區別於yarn的集群管理)，所以driver端最好跟executor端最好在同一個局域網（比如同一個機房），從而避免遠距離通信。實時上driver端即使不做大的返回集合collect的話，如果任務分片(partitions)很多，也會有大量通信開銷。
Apache Storm專注於流處理或者一些調用複雜的事件處理。 Storm實現了一種容錯方法，用於在事件流入係統時執行計算或流水線化多個計算。人們可以使用Storm在非結構化數據流入係統到期望的格式時對其進行轉換。
Storm的架構見下圖，簡單說明如下：
- Storm也采用Master/Slave體係結構。
-
分布式計算由Nimbus和Supervisor兩類服務進程實現。
-
Nimbus進程運行在集群的主節點，負責任務的指派和分發。
-
Supervisor運行在集群的從節點，負責執行任務的具體部分。
Storm和Spark專注於相當不同的應用場景。對比Storm Trident和Spark Streaming，應該是更加公平(apples to apples)的比較。由於Spark的RDD本質上是不可變的，Spark Streaming實現了一種方法，用於在用戶定義的時間間隔中“批處理”傳入的更新，並將其轉換為自己的RDD。 然後Spark通用的並行運算符就可以對這些RDD執行計算。這與Storm處理每個事件不同，Storm是真正的流式處理。
總而言之，這兩種技術之間的一個主要區別是Spark執行數據並行計算，而Storm執行任務並行計算。這兩種設計都是各自領域內的權衡，想了解更多可以參考下麵的鏈接：
參考文獻：
[1] http://stackoverflow.com/questions/24119897/apache-spark-vs-apache-storm
[2] spark官網：http://spark.apache.org/docs/latest/cluster-overview.html
[3] http://www.cnblogs.com/swanspouse/p/5135679.html