#概述
CAP理论是分布式系统最基础的理论，在我们设计一个分布式系统时，不可避免地要涉及到CAP理论。
CAP即：
-Consistency（一致性）
-Availability（可用性）
-Partition tolerance（分区容错性）
一个分布式系统理论上只能满足其中的两项，如下图所示：
#CAP的定义
-Consistency 一致性
Consistency : Every read receives the most recent write or an error.一致性：每次读取要么返回最新结果，要么返回错误。
-Availability（可用性）
Availability : Every request receives a (non-error) response – without the guarantee that it contains the most recent write.可用性：每个请求都会得到一个非错误的响应， 但是不保证是最新的结果
-Partition tolerance（分区容错性）
Partition tolerance : The system continues to operate despite an arbitrary number of messages being dropped (or delayed) by the network between nodes.分区容错性：尽管网络中断或者延迟，系统仍然可用。
#C、A、P冲突
为什么不能同时满足CAP呢？作为一个分布式系统，我们P是理所当然存在的，所以我们接下来讨论的是我们会在C、A中如何抉择。
下图有两个节点，存着同一份数据Vo, A, B是分别运行在G1, G2上的应用
在正常情况下，操作过程如下(如下图所示)：
(1)A执行了更新操作，G1的数据由V0变成了V1;
(2)G1发送消息m给G2，G2的数据由V1;
(3)B读取到G2中的数据V1。
如果发生网络分区故障，那么在操作的步骤(2)将发生错误：G1发送的消息不能传送到G2上。这样数据就处于不一致的状态，这个时候B来读取G2上的数据就会出现读取不到最新数据的情况。
这个时候，我们很显然有两种办法：1.牺牲一致性，保证可用性，给用户返回旧的数据V0；2.牺牲可用性，保证一致性，阻塞等待，直至网络恢复，数据更新完成，才返回更新完的数据V1。
#取舍策略
CAP只能满足其中的两项，所以我们可以得到三种策略：
1.CA without P：如果系统不需要P分区容错，CA是可以都保证的，但是这与我们设计分布式系统的初衷背道而驰；
2.CP without A：保证系统的强一致性，牺牲系统的可用性。这点在银行的业务上面很常见，在节点数据出现问题时，我们通常宁愿牺牲可用性，也要保证数据的强一致性，毕竟谁也不希望自己的钱无缘无故的不见了；
3.AP without C：保证系统的可用性，牺牲系统的一致性。这点在我们平常的购物抢购上面也很常见，通常某个抢购商品的库存不是真实的库存，很多时候等你点击购买的时候会发现商品已售罄。这就是我们为了保证整个抢购的整个流程能不受阻止，牺牲了一致性的策略。
#总结
现如今，对于多数大型互联网应用的场景，主机众多、部署分散，而且现在的集群规模越来越大，节点只会越来越多，所以节点故障、网络故障是常态，因此分区容错性也就成为了一个分布式系统必然要面对的问题。那么就只能在C和A之间进行取舍。取C和取A也可能在同一个系统中存在，没有最好的策略，只有最适合业务场景的策略。
