区别主要在于处理数据流的抽象级别。
apachestorm的级别稍微低一点，它处理连接在一起的数据源（喷口）和处理器（螺栓），以React方式对单个消息执行转换和聚合。
有一个tridentapi，它从这个低级别的消息驱动视图中提取了一点信息，并将其转换为更聚合的查询类结构，这使得集成起来更容易一些(还有一个类似sql的接口用于查询数据流，但它仍然被标记为实验性的。）
根据文件：

TridentState wordCounts =
     topology.newStream("spout1", spout)
       .each(new Fields("sentence"), new Split(), new Fields("word"))
       .groupBy(new Fields("word"))
       .persistentAggregate(new MemoryMapState.Factory(), new Count(), new Fields("count"))                
       .parallelismHint(6);

apacheflink有一个更像函数的接口来处理事件。如果您习惯于java8风格的流处理（或scala或kotlin等其他函数式语言），这看起来会非常熟悉。它还有一个很好的基于web的监控工具。它的优点是，它有内置的结构，可以按时间窗口等进行聚合（在storm中，您也可以使用trident进行聚合）。
根据文件：

DataStream<WordWithCount> windowCounts = text
            .flatMap(new FlatMapFunction<String, WordWithCount>() {
                @Override
                public void flatMap(String value, Collector<WordWithCount> out) {
                    for (String word : value.split("\\s")) {
                        out.collect(new WordWithCount(word, 1L));
                    }
                }
            })
            .keyBy("word")
            .timeWindow(Time.seconds(5), Time.seconds(1))
            .reduce(new ReduceFunction<WordWithCount>() {
                @Override
                public WordWithCount reduce(WordWithCount a, WordWithCount b) {
                    return new WordWithCount(a.word, a.count + b.count);
                }
            });

当我评估这两个的时候，我选择了flink，只是因为在那个时候，它让我感觉更有文件记录，而且我更容易开始使用它。这场风暴稍微隐晦一些。有一门关于udacity的课程帮助我更好地理解它，但最终Flink还是觉得更适合我的需要。
您可能还想在这里看看这个答案，尽管有点老了，所以这两个项目一定是从那时起发展起来的。