首先要明白Storm和Hadoop的應用領域，注意加粗、標紅的關鍵字。
Hadoop是基于Map/Reduce模型的，處理海量數據的離線分析工具。
Storm是分布式的、實時數據流分析工具，數據是源源不斷產生的，例如Twitter的Timeline。
再回到你說的速度問題，只能說Storm更適用于實時數據流，Map/Reduce模型在實時領域很難有所發揮，不能簡單粗暴的說誰快誰慢。
這里的快主要是指的時延。
storm的網絡直傳、內存計算，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數據的時間；因為storm是服務型的作業，也省去了作業調度的時延。所以從時延上來看，storm要快于hadoop。
說一個典型的場景，幾千個日志生產方產生日志文件，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，按每一分鐘切一個文件的粒度來算（這個粒度已經極端的細了，再小的話hdfs上會一堆小文件），hadoop開始計算時，1分鐘已經過去了，然后再開始調度任務又花了一分鐘，然后作業運行起來，假設機器特別多，幾鈔鐘就算完了，然后寫數據庫假設也花了很少的時間，這樣，從數據產生到最后可以使用已經過去了至少兩分多鐘。
而流式計算則是數據產生時，則有一個程序去一直監控日志的產生，產生一行就通過一個傳輸系統發給流式計算系統，然后流式計算系統直接處理，處理完之后直接寫入數據庫，每條數據從產生到寫入數據庫，在資源充足時可以在毫秒級別完成。
當然，跑一個大文件的wordcount，本來就是一個批處理計算的模型，你非要把它放到storm上進行流式的處理，然后又非要讓等所有已有數據處理完才讓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。
Hadoop M/R基于HDFS，需要切分輸入數據、產生中間數據文件、排序、數據壓縮、多份復制等，效率較低。
Storm 基于ZeroMQ這個高性能的消息通訊庫，不持久化數據。