這其實是一個偽命題，我圍繞這個問題，問幾個問題：
1，何為“傳統資料庫”？更多的人認為“處理不了大資料的資料庫叫做‘傳統資料庫’“，這樣你的問題就不用回答了……但是，接下來的一個問題是：
2，何為“大資料”？我就知道你要用那3個V/4個V來砍我了……我更反對一提“大資料”，就提Hadoop，就提Map Reduce，就提Cassandra，好像堆砌了這些名詞就代表了你懂大資料了……
3，有人認為“傳統資料庫”就是10-20年前的資料庫產品，例如IBM DB2，Oracle，Microsoft SQL Server，Sybase等等，但是我要告訴你說，這些公司都有新版本陸續推出，在解決大資料的很多場合中發揮著優異的功效。
4，也有人說“非結構化？資料量大？速度？”：也不見得對，Sybase早在1990年代初就有了儲存非結構化資料的BLOB欄位，資料量也一直並不是“傳統資料庫”的最大問題，速度的確是軟肋，但是Hadoop等開源軟體並不是解決這個速度問題的答案！

我其實一直認為，大資料不過是資料庫發展過程中的一個階段，這個階段和以前的很多階段一樣，是來改進/優化/顛覆以前的資料庫處理能力，處理方法的。

============================================================

• 可靠的方案用的機器都是企業級的伺服器，如IBM的伺服器。
• 對可靠性敏感的都是用企業級的儲存方案，如EMC的產品。
  
• 通過主從複製的方式提供熱備

• 分割槽或分片，將資料拆成多個子集，分別放到不同的機器上。

• 分割槽加上主從複製，方案比較複雜
• 分割槽不支援動態擴充套件，也就是伸縮性不夠好，當業務和資料量增加時，無法增加機器，修改原來的分割槽。
• 依賴於IBM，EMC等公司的裝置，造價高
• 多臺伺服器的資料庫許可證貴，比如幾十臺Oracle資料庫伺服器的許可。
• 一臺伺服器的故障率低，十幾臺，幾十臺，上百臺，故障率高。

再加上更多非結構化的資料處理的需求，就產生了大資料技術，如Hadoop，Cassandra等。

• 可以使用幾十臺上百臺商用PC來替代那些IBM企業級伺服器
• 可以使用分散式檔案系統的副本，替代冗餘磁碟陣列等EMC儲存裝置
• 軟體自己開發，或使用開源專案，免去了許可證的費用
• 通過副本和容錯機制，解決單點故障，
  • 一個數據塊存有多個副本，儲存在不同的伺服器上，甚至不同的機架，不同的機房中。
  • 例如HDFS和HBase的分散式叢集，當一臺伺服器宕機時，其他伺服器會接過來繼續服務。
  • 例如MapReduce，一臺伺服器上出錯，可以傳送給另外的伺服器處理。
• 支援動態分割槽，無論是HBase的劃分Region，還是Cassandra的一致性雜湊。

傳統資料庫處理方式和大資料處理方式的區別

檔案系統把資料組織成相互獨立的資料檔案，實現了記錄內的結構性，但整體無結構；而資料庫系統實現整體資料的結構化，這是資料庫的主要特徵之一，也是資料庫系統與檔案系統的本質區別。
在檔案系統中，資料冗餘度大，浪費儲存空間，容易造成資料的不一致；資料庫系統中，資料是面向整個系統，資料可以被多個使用者、多個應用共享使用，減少了資料冗餘。
檔案系統中的檔案是為某一特定應用服務的，當要修改資料的邏輯結構時，必須修改應用程式，修改檔案結構的定義，資料和程式之間缺乏獨立性；資料庫系統中，通過DBMS的兩級映象實現了資料的物理獨立性和邏輯獨立性，把資料的定義從程式中分離出去，減少了應用程式的維護和修改。
檔案系統和資料庫系統均可以長期儲存資料，由資料管理軟體管理資料，資料庫系統是在檔案系統基礎上發展而來。

大資料時代和傳統資料有什麼區別

傳統的分析是基於結構化、關係性的資料，而且往往是取一個很小的資料集，來對整個資料進行預測和判斷。

大資料是對整個資料全集直接進行儲存和管理分析。

大資料時代簡介

大資料（Bigdata）通常用來形容一個公司創造的大量非結構化和半結構化資料，這些資料在下載到關係型資料庫用於分析時會花費過多時間和金錢。大資料分析常和雲端計算聯絡到一起，因為實時的大型資料集分析需要像MapReduce一樣的框架來向數十、數百或甚至數千的電腦分配工作。

“大資料”在網際網路行業指的是這樣一種現象：網際網路公司在日常運營中生成、累積的使用者網路行為資料。這些資料的規模是如此龐大，以至於不能用G或T來衡量。