一个分布式系统最多只能同时满足一致性（Consistency）、可用性（Availability）和分区容错性（Partition tolerance）这三项中的两项。
- 强一致性
对于关系型数据库，要求更新过的数据能被后续的访问都能看到，这是强一致性。
- 弱一致性
如果能容忍后续的部分或者全部访问不到，则是弱一致性。
- 最终一致性
如果经过一段时间后要求能访问到更新后的数据，则是最终一致性。
每个请求都会收到一个（非错误）响应，但不能保证它包含最新的写入
好的可用性主要是指系统能够很好的为用户服务，不出现用户操作失败或者访问超时等用户体验不好的情况。可用性通常情况下可用性和分布式数据冗余，负载均衡等有着很大的关联。
尽管节点之间的网络丢弃（或延迟）了任意数量的消息，但系统仍继续运行。
一个分布式系统里面，节点组成的网络本来应该是连通的。然而可能因为一些故障，使得有些节点之间不连通了，整个网络就分成了几块区域。数据就散布在了这些不连通的区域中。这就叫分区。
CA without P：如果不要求P（不允许分区），则C（强一致性）和A（可用性）是可以保证的。但其实分区不是你想不想的问题，而是始终会存在，因此CA的系统更多的是允许分区后各子系统依然保持CA。
CP without A：如果不要求A（可用），相当于每个请求都需要在Server之间强一致，而P（分区）会导致同步时间无限延长，如此CP也是可以保证的。很多传统的数据库分布式事务都属于这种模式。
AP wihtout C：要高可用并允许分区，则需放弃一致性。一旦分区发生，节点之间可能会失去联系，为了高可用，每个节点只能用本地数据提供服务，而这样会导致全局数据的不一致性。现在众多的NoSQL都属于此类。
但也不是单纯的只取其二，很多系统只是弱化某些特性来支持其他两者。
一个分布式系统里面，节点组成的网络本来应该是连通的。然而可能因为一些故障，使得有些节点之间不连通了，整个网络就分成了几块区域。数据就散布在了这些不连通的区域中。这就叫分区。
当你一个数据项只在一个节点中保存，那么分区出现后，和这个节点不连通的部分就访问不到这个数据了。这时分区就是无法容忍的。
提高分区容忍性的办法就是一个数据项复制到多个节点上，那么出现分区之后，这一数据项就可能分布到各个区里。容忍性就提高了。
然而，要把数据复制到多个节点，就会带来一致性的问题，就是多个节点上面的数据可能是不一致的。要保证一致，每次写操作就都要等待全部节点写成功，而这等待又会带来可用性的问题。
总的来说就是，数据存在的节点越多，分区容忍性越高，但要复制更新的数据就越多，一致性就越难保证。为了保证一致性，更新所有节点数据所需要的时间就越长，可用性就会降低。
作者：邬江 链接：https://www.zhihu.com/question/54105974/answer/139037688 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
CAP是一套分布式理论，C 表示一致性，A 表示可用性，P 表示分区容错性。
理论认为只能满足其中两个，另外一个肯定不能满足，现代工程上都会满足其中两项，而弱化其中一项。
三个不能同时满足的原因很简单，就是网络传输数据需要时间，而且网络可能会断，服务可能会挂。
首先 P 表示分区容错性，可以理解为数据有多少副本，副本越多，数据肯定越安全。如果不想要分区容错性，那数据只有一份，它就成了光杆司令了，肯定完美解决一致性和可用性的问题。现代分布式集群为了保证数据安全，都会保存多个副本，或者利用纠删码，比如 HDFS、ES、Kafka、Etcd 、Ceph、MinIO 等。
其次是 C 一致性，它强调所有人手里都有一份数据。现代分布式集群大多数都不会实现强一致性，一般都会实现最终一致性，为了获得更好的性能，通常只要多于一半节点确认更新了数据就会表明自己更新完毕了。
最后 A 可用性，现在都在强调高可用，毋庸置疑，肯定要保证可用性。
综上，对于大多数开源组件的分布式集群来说，P 保证了数据安全、A 保证了用户体验，所以 C 就是那个为了性能被牺牲的了。但是对于涉及到钱财的领域（事务）来说，通常会保证强一致性，而牺牲可用性，毕竟把钱弄丢了不是小事情。
所以，P 分区容错性在生产环境中一定会被满足，但是在数据不重要的场景中（比如做 Demo），就不必非要满足了。