CAP定论:指的是在一个分布式系统中 Consistency(一致性),Availability(可用性),Partition-tolerance(分区容错性) 三者不可得兼.
CAP原则是NOSQL数据库的基石
C:数据同步一一致
A:请求必修在一定时间响应,可以终止,但是不能一致等待
P:节点被分割了,任然要对外提供服务
（1）一致性C：
单机环境下， 数据只有一份，所有的客户端访问的是同一份数据，不会出现两个客户端看到不一样的数据；分布式环境下，同一份数据会保存在多台服务器上，大量客户端来访问数据，负载会分布在各个服务器上，两个不同的客户端C1,C2可能访问的是不同的两台服务器S1,S2, 如果S1,S2上当前数据完全一样，C1,C2会拿到同样的数据，满足一致性；而要保证每个时刻S1,S2上的数据完全一样，在每次对数据更新的时候，就必须等待C1,C2都完成了数据更新， 该次数据更新操作才能成功返回.
（2）可用性A：
可用性要求所有的读写请求必须在一定的时间得到响应，可以终止，但是不可以一直等待。在单机环境中，如果服务没问题，读写服务可以很快返回，如果服务器挂掉，也可以很容易做到返回响应。但是在分布式环境中，一个写请求达到某一个服务器，该服务更新数据后还得和集群中其他服务器同步数据，使得各个服务器数据一致， 但是网络是不可控的，可能某些服务器之间的网络出现故障导致更新请求无法送达，或者更新完成ACK无法返回，这个时候就要选择是直接返回，还是等待更新成功。
（3）分区容错性P：
分区容错性要求在发生网络分区的情况下，被分割的节点仍能对外提供服务。单机环境下不会发生网络分区，分布式环境下，任意时刻，当前环境下各个服务器的数据即使存在不一致，也要系统能正常对外提供服务。这就会导致一问题，多个客户端访问不同的服务器，由于数据不一致，会存在对同一份数据的访问，得到不同的结果（也就是违背了一致性原则）。
为什么不能同时满足CAP？
（1）假设当前分布式系统满足CA，C要求各个客户端读到的数据必须是一致的，考虑发生网络分区的情况，当前各个服务器存在数据不一致，那么根据C系统是不可以对外提供服务的（因为不同的客户端访问同一份数据会得到不同的结果），那么也就无法满足分区容错性P。
（2）假设当前分布式系统满足CP， 在网络发生分区的情况下，为达到C, 请求只能一直等待，等待网络分区情况解除，系统数据同步完成才能返回，这就无法满足可用性A。
（3）假设当前分布式系统满足AP, 系统要求在一定的时间内就要返回，在发生网络分区的情况下，为了保证P，即使出现网络分区也要正常提供服务，按时返回数据，可能不同客户端访问同一份数据得到不同的结果，这就不能保证数据的一致性C。
CAP理论就是说在分布式储存系统中,最多只能实现上面的两点,由于当前的网络硬件肯定会出现延迟丢包等问题,所以分区容忍性是我们必须需要实现的,所以我们只能在一致性与可用性之间进行权衡,没有nosql系统能同时保证这三点
对于web2.0网站来说,关系型数据库的很多主要特征毫无用武之地
1.数据库实物一致性需求
很多web实时系统并不要求严格的数据库事务,对一致性要求很低,有些场合对写一致性要求不高,允许实现最终一致性
2.数据库的写实性和读实性需求
对关系数据库来说,插入一条数据之后立刻查询,是肯定可以读出这条数据来的,但是对于很多web应用来说,并不要求这么高的实时性,比方说发一条消息之后,过了几秒或者十几秒之后,我的订阅者才看到这条动态是完全可以接受的
3.对于复杂的sql查询,特别是多表关联查询的需求
任何大数据量的web系统,都是非常忌讳多个大表的关联查询,以及复杂的数据分析类型的报表查询,特别是SNS类型网站,从需求以及产品设计角度,就避免这种情况的产生.往往更多的是单表的主键查询,以及单表的简单条件分页查询,SQL的功能被极大弱化了
分布式系统的典型应用
分布式系统是一个非常广泛的概念，它最终要落实到解决实际问题上，不同的问题有不同的方法和架构。所有的开源软件都是以某个应用场景出现，而纯粹以“分布式”概念进行划分的比较少见。
但如果以算法划分，到能分出几类：
1.以Leader选举为主的一类算法，比如paxos、viewstamp，就是现在zookeeper、Chuby等工具的主体
2.以分布式事务为主的一类主要是二段提交，这些分布式数据库管理器及数据库都支持
3.以若一致性为主的，主要代表是Cassandra的W、R、N可调节的一致性
4.以租赁机制为主的，主要是一些分布式锁的概念，目前还没有看到纯粹“分布式”锁的实现
5.以失败探测为主的，主要是Gossip和phi失败探测算法，当然也包括简单的心跳
6.以弱一致性、因果一致性、顺序一致性为主的，开源尚不多，但大都应用在Linkedin、Twitter、Facebook等公司内部
7当然以异步解耦为主的，还有各类Queue