Storm提出了幾個新的概念，了解這些概念對于學習Storm非常重要。Storm中核心概念如下：
1）Tuple：由一組可序列化的元素構成，每個元素可以是任意類型，包括Java原生類型、String、byte[]、自定義類型（必須是可序列化的）等。
2）Stream：無限的Tuple序列形成一個Stream。每個Stream由一個唯一ID、一個對Tuple中元素命名的Schema以及無限Tuple構成。
3）Topology：Storm中的使用者應用程式被稱為“Topology”，這類似于MapReduce中的“Job”。它是由一系列Spout和Blot構成的DAG，其中每個點表示一個Spout或Blot，每個邊表示Tuple流動方向。
4）Spout：Stream的資料源，它通常從外部系統（比如消息隊列）中讀取資料，并發射到Topology中。Spout可将資料（Tuple）發射到一個或多個Stream中。
5）Bolt：消息處理邏輯，可以是對收到的消息的任意處理邏輯，包括過濾、聚集、與外部資料庫通信、消息轉換等。Blot可進一步将産生的資料（Tuple）發射到一個或多個Stream中。
在一個Topology中，每個Spout或Blot通常由多個Task構成，同一個Spout或Blot中的Task之間互相獨立，它們可以并行執行，如圖13-4所示。可類比MapReduce Job了解：一個MapReduce Job可看作一個兩階段的DAG，其中Map階段可分解成多個Map Task, Reduce階段可分解成多個Reduce Task，相比之下，Storm Topology是一個更加通用的DAG，可以有多個Spout和Blot階段，每個階段可進一步分解成多個Task。
6）Stream Grouping：Stream Grouping決定了Topology中Tuple在不同Task之間是的傳遞方式。Storm主要提供了多種Stream Grouping實作，常用的有：
- Shuffle Grouping：随機化的輪訓方式，即Task産生的Tuple将采用輪訓方式發送給下一類元件的Task。
- LocalOrShuffle Grouping：經優化的Shuffle Grouping實作，它使得同一Worker内部的Task優先将Tuple傳遞給同Worker的其他Task。
- Fields Grouping：某個字段值相同的Tuple将被發送給同一個Task，類似于MapReduce或Spark中的Shuffl e實作。
一個Storm叢集由三類元件構成：Nimbus、Supervisor和ZooKeeper，它們的功能如下：
- Worker：實際的計算程序，每個Supervisor可啟動多個Worker程序（需靜态為每個Worker配置設定一個固定端口号），但每個Worker隻屬于特定的某個Topology。
- Executor：每個Worker内部可啟動多個Executor線程，以運作實際的使用者邏輯代碼（Task）。每個Executor可以運作同類元件（同一個Topology内的Spout或Bolt）中一個或多個Task。
- Task：使用者邏輯代碼，由Executor線程根據上下文調用對應的Task計算邏輯。
- Supervisor的注冊與發現，監控失敗的Supervisor。
- Worker通過ZooKeeper向Nimbus發送包含Executor運作狀态的心跳資訊 。
- Supervisor通過ZooKeeper向Nimbus發送包含自己最新狀态的心跳資訊。