hadoop不是mysql的替代品，所以我认为它们有自己的场景
大家都知道hadoop更适合批量作业或离线计算，但也有许多相关的实时产品，如hbase。
如果你想选择离线计算和存储架构。
我建议hadoop不要使用mysql群集进行离线计算和存储，因为：
成本：显然，hadoop集群比mysql集群便宜
可伸缩性：hadoop支持集群中超过上万台机器
生态系统：mapreduce、hive、pig、sqoop等。
所以你可以选择hadoop作为离线计算和存储，mysql作为在线计算和存储，你也可以从lambda架构中学到更多。

另一个答案很好，但并不能真正解释为什么hadoop比mysql集群更适合离线数据处理。hadoop对于必须分布在多台机器上的大型数据集更为有效，因为它可以让您完全控制数据的分片。
mysql集群使用自动分片，并且它被设计成随机分布数据，这样就不会有任何一台机器受到更多负载的影响。另一方面，hadoop允许您显式定义数据分区，以便需要同时访问的多个数据点将位于同一台计算机上，从而最大限度地减少完成任务所需的计算机之间的通信量。这使得hadoop在许多情况下更好地处理海量数据集。
这个问题的答案很好地解释了这种区别。

以上两个答案都忽略了mysql和hadoop之间的巨大区别。mysql要求您以某种格式存储数据。它喜欢高度结构化的数据—您可以声明表中每一列的数据类型等。hadoop根本不关心这一点。
例如，如果您有10亿个文本日志文件，为了使mysql的分析成为可能，您需要首先解析数据并将其加载到mysql表中，同时键入每一列。使用hadoop和mapreduce，您可以定义一个函数来扫描/分析/返回原始数据源中的数据—您不需要预处理etl来预先构造数据。
如果数据已经在mysql中结构化了，那么（希望）它的结构良好，为什么要将其导出给hadoop进行分析？如果不是这样，为什么还要花时间对数据进行etl呢？