有人说，CAP理论对于分布式系统来说，相当于物理学之于飞机，可见其重要性。每一个数据库的系统都必须遵循它。
那么什么是CAP理论呢？10年前，Eric Brewer教授指出了著名的CAP理论。CAP理论告诉我们，一个分布式系统不可能满足一致性，可用性和分区容错性这三个需求，最多只能同时满足两个。
下面让我们了解每一项的含义。
一致性 Consistency
Consistency指的是系统在任何时候看起来是一致的。对分布式系统来说，一般指的是一次写操作后，所有之后的读都能看到这个变化。
一个分布式系统可以是强一致性或者是某种形式的弱一致性。
关系型数据库一般都实现了强一致性，ACID(Atomicity Consistency Isolation Durability)。而另外一种BASE设计思想(Basically Available,Soft-state,Eventual Consistency)则是基于弱一致性。
这里要提一下，最终一致性（Eventual Consistency）是弱一致性的一种特例。假如A首先write了一个值到存储系统，存储系统保证如果在A,B,C后续读取之前没有其它写操作更新同样的值的话，最终所有的读取操作都会读取到最A写入的最新值。此种情况下，如果没有失败发生的话，“不一致性窗口”的大小依赖于以下的几个因素：交互延迟，系统的负载，以及复制技术中replica的个数（这个可以理解为master/salve模式中，salve的个数），最终一致性方面最出名的系统可以说是DNS系统，当更新一个域名的IP以后，根据配置策略以及缓存控制策略的不同，最终所有的客户都会看到最新的值。
可用性Availability
可用性指的是一个系统始终能保持可用的状态，也就是说，任何时候不会拒绝合法的读和写请求。
可用性要求系统能容忍单个节点的失败，即使在软件和硬件升级，系统仍然需要保持可用。
分区容错性Partition Tolerance
分区容错性指的是系统在出现网络Partition的时候仍然可以操作。什么是网络Partition？比如有cluster中存在与两个rack上面，如果这两个rack之间的连接断了，就是网络Partition。如果在这种情况下，分别连到两个rack的client仍然允许继续读写操作，这就是分区容错性。
下面就举例说明CAP和分布式系统的关系。
比如我们设计一个数据库，它要处理A-Z的用户。
第一种方案：
只使用一个node，显然这种方案满足了强一致性。但是可用性不好，一但这个节点出现故障，系统就完全不可用了。
第二种方案：
这种方案使用两个节点，并且把A-Z分成A-M和N-Z。因为一个用户数据只存在其中的一个节点，可以保证一致性。但是这种系统在其中的一个节点出现故障的时候可用性只有50%.
第三种方案
这种方案也使用两个节点，并且两个node的数据是冗余的。在这种情况下，如果要实现CA，那么就不能接受Partition Tolerance，否则两个节点的数据就会不一致。如果要实现CP,那么可用性就得不到保障。如果接受AP，那么就会出现数据不一致的情形。
熊掌与鱼不可兼得也。关注的是一致性，那么您就需要处理因为系统不可用而导致的写操作失败的情况，而如果您关注的是可用性，那么您应该知道系统的read操作可能不能精确的读取到write操作写入的最新值。因此系统的关注点不同，相应的采用的策略也是不一样的，只有真正的理解了系统的需求，才有可能利用好CAP理论。