1. 前言

2. 什么是CAP

这里不想赘述相关的概念，只根据我的理解和总结来进行阐述：

C（consistency）：强一致性，也叫线性一致性，指任何时候访问系统时，对于同一份数据，要么都查不到，要么都查能到，如果有多个节点的话，每个节点中的数据都是一模一样的；

A（Availability）：高可用，本质就是数据冗余，一份一模一样的数据，在所有节点中都存一份拷贝，如果出现节点故障，只要有另外一个节点可以提供服务，该数据就可以被访问到；

P（Partition-tolerance）：分区可扩展/容错：一份数据可以保存到多台机器上，且当出现数据节点彼此间网络不通的情况下，系统依然可以使用；

根据CAP理论，以上3种属性，在任何分布式系统中，都最多只能同时满足其中的2个。

3. 常见误区

这里需要澄清的几个常见理解误区：

1. 1，CAP理论针对的是系统的数据，即数据节点，而非整个系统本身；
2. 2，分布式系统在设计时，虽然说只能满足其中的2个，但并不是说另外一个就一定不允许存在；
3. 3，有些分布式系统的CAP属性会随着系统配置的不同而动态变化，并非一成不变的；

解释一下：

第1点：

比如只有一个master和若干个slaver的分布式系统来说。如HDFS，从集群架构上来看，只有一个namenode和若干个DataNode，namenode是存在单点故障的，而并非高可用。

但是这里我们谈论的CAP针对的是slaver节点中的数据，只要其数据有备份（默认3份），那么该系统就符合高可用的特点，跟master没有关系，这一点要切记，不要混淆；

第2点：

对于一个分布式系统来说，CAP只能同时满足2个指的是在【苛刻】条件下的要求，而非【苛刻】条件下，其实是3个都是可以满足的。

拿Elasticsearch这个分布式存储来说，它在设计时遵循CAP中的AP。

首先满足P，这一点毋庸置疑（几乎所有分布式存储系统都首要考虑P，一份数据可以写到多个节点中，且如果系统出现网络分区导致无法通信，系统一样可以向外提供服务）；

其次满足A，因为系统存在备份（可以设置多个冗余分片），且都能同时对外提供读取服务器；

最后再来看C，为什么不满足，原因在于系统的数据都是先全部写到主分片，写完后再把数据同步到冗余分片中，这一过程存在时间差，且在这个过程中所有的数据分片都是可以对外提供服务的，因此无法满足强一致性，即同一时刻对不同数据分片请求数据，获取到的结果会出现不一致。

但是，当主分片的数据全部同步到冗余分片中之后，是不是就一致了呢。因此，这个C最终是满足的，所以Elasticsearch在非【苛刻】条件是可以同时满足CAP的。

第3点：

对于很多分布式系统来说，通过修改一些系统参数是可以在C、A、P之间做动态取舍的。

以HDFS为例，它原本是一个遵循AP的分布式系统，但是我们可以通过控制参数dfs.replication.min来改变这一事实。

dfs.replication.min参数用来控制客户端的最小写入副本数，默认为1。也就是默认情况下，客户端在数据写入时，只要保证其中一个DataNode写入成功，就算成功，后续的数据复制属于异步进行，默认保证AP。

比如HDFS默认的复制因子为3，默认情况下当客户端写入数据到其中一个datanode成功后，客户端即刻返回，剩下的2份数据会由系统的后台线程将其复制到另外2个DataNode中，这里是舍弃了C特性的。

但是如果我现在将dfs.replication.min改为3，那么客户端会一直等待3个DataNode都将这份数据写入成功后才返回，在这个过程中，该份数据是不会对外服务的（即不会commit），这个时候就保证了C特性，而放弃了P，因为这个过程中如果某个DataNode出现网络分区（无法通信），系统会触发选择新DataNode的机制，进而来确保网络分区问题快速解决，否则写入的这份数据是没法commit的，也就不能对外提供服务。

在大家接触的大多数分布式系统中，设计之初都默认会确保P，然后再在C和A之间做取舍，但是有一个系统比较例外，那就是kafka。

kafka不保证P？纳尼？

先来看看kafka的设计者Jun Rao怎么说的。

All distributed systems must make trade-offs between guaranteeing consistency, availability, and partition tolerance. Our goal was to support replication in a Kafka cluster within a single datacenter, where network partitioning is rare, so our design focuses on maintaining highly available and strongly consistent replicas.”

看到没，kafka的设计注重的是A和C属性，抛弃了P，可能会颠覆很多人的一般性认知。

虽然kafka在设计时没有考虑优先保证P，但是并不代表kafka的P属性不存在。

解读：

kafka跟其他分布式系统的特殊之处在于，整个集群架构设计中没有master和slaver之分，但是在其数据存储内部，每个topic中的每个partition却分为leader和follower，和写每个partition的leader和follower构成了一个小系统也就是上面提到的datacenter，所以在kafka内部，存在无数个这样的datacenter。

按照kafka设计者的意图，当数据写入partition中的leader和所有follower之后，客户端才返回，数据才提供服务（即ack=-1的情况），这个时候只要系统设置的冗余因子大于1个，像上文中举的HDFS例子一样，满足了CA，舍弃了P的考虑，一但出现网络分区（datacenter间无法通信），系统就会触发补救机制，来确保网络分区问题很快解决，否则数据不能commit，也就不能对外提供服务。

4. 总结

1. 对于C：任何时候，当一个客户端去访问系统时候，永远不存在数据不一致的情况，要么找不到，找到就一模一样；

2. 对于A：任何时候，都不存在单点故障，如果有一个数据节点无法提供服务(出现故障)，必然存在至少一个它的备份可以提供一样的服务，且这个切换不需要系统做出额外的动作（如热切换）；

3. 对于P：这个比较难理解一点。任何时候，当系统出现网络分区（可能是任何故障），导致节点彼此无法通信时，但是不影响客户端仍然可以访问系统，只是不能保证访问到你需要的目标数据，且这期间系统不会做出额外的动作来保证这一点；

还是拿刚才举例过的HDFS、ELasticsearch和kafka来论证一下：