分发数据和计算。本地数据的计算防止了网络过载。任务是独立的，所以很容易处理部分故障。在这里，整个节点可能会出现故障并重新启动。
它避免了爬行恐怖的失败和容忍同步分布式系统。线性扩展在理想情况下。它曾经设计廉价的商品硬件。简单的编程模型。最终用户程序员只编写map reduce任务。

hadoop基本上是一个分布式文件系统（distributedfilesystem，hdfs）——它允许您在机器云中存储大量的文件数据，处理数据冗余等。
在分布式文件系统的基础上，hadoop提供了一个api来处理所有存储的数据—map reduce。其基本思想是，由于数据存储在许多节点中，因此最好以分布式方式处理数据，每个节点都可以处理存储在其中的数据，而不是花费大量时间在网络上移动数据。
与可以实时查询的rdm不同，map reduce过程需要时间，并且不会立即产生结果。
在这个基本方案的基础上，您可以构建一个列数据库，比如hbase。列数据库基本上是一个哈希表，允许对行进行实时查询。
据我所知，有很多不同之处。请阅读下面的区别。
hadoop不是一个数据库。hbase或impala可能被认为是数据库，但hadoop只是一个具有内置冗余、并行性的文件系统（hdfs）。
传统的数据库/关系型数据库具有原子性、一致性、隔离性和持久性等特性。使用hadoop，这些都不是现成的。例如，如果你必须编写代码从一个银行账户取钱并存入另一个账户，那么你必须（痛苦地）编写所有的场景，比如如果钱被取出，但在转移到另一个账户之前发生了故障。
hadoop以与rdbms相当的低成本提供了大规模的处理能力和存储。
hadoop提供了巨大的并行处理能力。您可以并行运行作业来处理大量数据。
有些人认为传统的数据库不能很好地处理非结构化数据，但它并没有那么简单。有许多应用程序是用传统的关系型数据库构建的，它们使用了大量的非结构化数据或视频文件或PDF，我遇到过这些应用程序，它们工作得很好。
通常，rdbms将管理缓存中的大量数据，以加快处理速度，同时保持会话间的读取一致性。我认为hadoop在使用内存缓存处理数据方面做得更好，而不提供读一致性之类的任何其他项目。
配置单元sql几乎总是比在传统数据库中运行的sql慢一个数量级。因此，如果您认为配置单元中的sql比数据库中的sql快，那么您会感到非常失望。对于复杂的分析来说，它根本无法扩展。
hadoop非常适合于并行处理问题，比如在一大组文档中查找一组关键字（这个操作可以并行化）。然而，对于可比较的数据集，rdbms的实现通常会更快。

rdbms无法以经济高效的方式处理大数据。随着数据量的增加，使用垂直扩展技术的rdbms系统将不能很好地工作。在这里，像hadoop这样的大数据处理框架以一种经济高效的方式工作得很好。大多数大数据处理框架都是开源的，设计用于在商品硬件上运行。因此，与相同设置所需的rdbms相比，成本将非常低。
简单地说，bigdata从rdbms由于数据大小和复杂性而停止的地方开始。另一点是rdbms主要处理结构化数据。但大多数大数据框架都可以处理结构化、非结构化和半结构化数据。大多数大数据框架都是为处理任何类型的大数据而设计的。