前面我们已经知道了什么是大数据，那么，如何处理大数据呢？

我们有两种选择，一是向上扩张，即提升单台电脑的硬件水平，比如内存不够我们加内存条，存储不够我们加硬盘，计算速度不行，我们换更高频的CPU，但这治标不治本，总有一个上限，而且成本过于昂贵。还有一种方式就是向外扩张，即一台电脑不够，我们用两台，还不够就继续加。“实力不够，人头来凑！”处理大数据就是采用的第二种方式，即分布式集群。

什么是分布式集群呢？说白了就是利用N台电脑的力量（存储和计算资源），大家一起协作共同完成某个任务。这N台电脑就组成了一个分布式集群。

我们先来看看分布式存储的原理：

假设有一个很大的文件，大到1台电脑的硬盘装不下，比如硬盘是1T ，而这个文件大小是2T，那么我们可以把它切分成3小块或更多，每小块分别储存在1台电脑上：

这样，我们要读取原来的文件内容时，只需要把3台电脑上的3个文件块按红黄绿的顺序组合起来，就能得到原文件内容。这样貌似解决了存储的问题。但是假如某个时刻，其中一台电脑死机了（比如图中电脑2），那么我们就无法得到红黄绿3个块了，原文件部分数据就丢失了，这就导致了数据的不安全。

    那么，分布式系统是如何解决上述问题的呢？答案就是做冗余备份：将每个数据块复制备份，然后将同一个块的不同备份分别存储在不同的电脑上，这样当某台电脑死机了，它上面所储存的数据块能在别的电脑上找到相同的备份，也能完整的还原的原始数据。

当然，要想将文件还原，我们还得知道这个文件被分成了哪些块、这些块的先后顺序及这些数据块分别存放在哪些电脑上。分布式集群是一个主从架构，记录上述元数据信息的电脑叫做主节点（master）,而真正存储数据块的电脑叫做从节点（slave）。我们对分布式系统的读写都是通过主节点来协调完成的。

    一句总结分布式存储原理：分散存储，冗余备份。

    接下来，我们再来看看分布式计算的原理：

    考虑这样一个需求，假如有1000个整数，要找出其中最大的那个数，常规方式就是遍历这1000个数的数组，没问题！假设现在有1000亿个整数，要找出其中最大的那个数，那我们还是来遍历这1000亿个数的数组? 1000亿个整数占用内存大概是400GB，要遍历数组，首先得有这么大的内存！其次，考虑时间复杂度为O(n)，就算有那么大的内存，遍历完这1000亿个数用的时间也会长的让你怀疑人生！

所以，我们换一种思路，假如我们把这1000亿个数均分成1000份，那么每份大概就是400MB，然后我们同时分别求出这1000份中的最大值，这是可行的。最后，我们只需要在找到这1000个数中的最大值，就找到了这1000亿个数中的最大值！

    一句话总结分布式计算原理：大而化小，分而治之、并行处理，汇总结果。

    其实，古人早就用到了大数据的计算思路：有图有真相！！！