hadoop完全是一个批处理系统，用于存储和分析结构化、非结构化和半结构化数据。
hadoop的map/reduce框架相对较慢，因为它被设计成支持不同的格式、结构和巨大的数据量。
我们不应该说hdfs比较慢，因为hbase没有sql数据库和基于mpp的数据源，比如impala、hawq都在hdfs上。这些数据源动作更快，因为它们不遵循mapreduce执行来进行数据检索和处理。
这种慢度的产生仅仅是因为基于map/reduce的执行的性质，它产生了大量的中间数据，节点之间交换了大量的数据，从而导致了巨大的磁盘io延迟。此外，它还必须在磁盘中保存大量数据，以便在各个阶段之间进行同步，从而支持从故障中恢复作业。此外，mapreduce中也没有办法将所有/子集的数据缓存到内存中。
apachespark是另一个批处理系统，但是它比hadoopmapreduce更快，因为它通过rdd将大部分输入数据缓存在内存中，并将中间数据保存在内存中，最终在完成或需要时将数据写入磁盘。

还有一个事实是，hdfs作为一个文件系统，针对大块数据进行了优化。例如，单个块通常是64-128MB，而不是更常见的.5-4KB。因此，即使是很小的操作，读写磁盘也会有很大的延迟。再加上它的分布式特性，与传统的文件系统相比，您将看到显著的开销（间接寻址、同步、复制等）。
这是从hdfs的Angular 来看的，我认为这是你的主要问题。hadoop作为一个数据处理框架，有它自己的一系列折衷和低效之处（在@hserus answer上有更好的解释），但它们基本上是针对同一个利基：可靠的批量处理。

低延迟或实时应用程序通常需要特定的数据。它们需要快速地为最终用户或应用程序等待的少量数据提供服务。
这个 HDFS 是通过在分布式环境中存储大量数据而设计的，它提供了容错性和高可用性。数据的实际位置只有用户知道 Namenode . 它几乎随机地将数据存储在任何 Datanode . 它再次将数据文件分割成固定大小的小块。由于网络延迟、数据的分布和特定数据的过滤，使得数据可以快速地传输到实时应用程序中。因为它有助于运行mapreduce或数据密集型作业，因为可执行程序被传输到本地保存数据的机器（数据局部性原则）。