人们似乎非常热衷于将现有的应用程序转移到hadoop基础设施上，在许多公司或组织中，似乎有一个口号：如果你有很多数据，就使用hadoop。我想了解现有解决方案对集中式（大）数据的依赖性如何影响hadoop是否是一个好的解决方案。
在许多情况下，典型的“大数据”应用程序希望尽可能高效、快速地处理数十亿件事情，例如文档、消息和文件。我看到了以map/reduce方式在多个节点之间分配工作的优势。然而，通常情况下，为了能够处理这些事情，处理函数（Map器）必须在某处查找内容。例如，向sql server发送查询，在图形数据库中查找某些内容，在巨大的键/值存储中查找数据。此外，每个函数可能需要大量内存来存储/缓存处理其内容所需的所有数据。
这是不是违反了hadoop的做事方式，还是通常都是这样做的？最后一点是，除了将处理工作分散到一堆hadoop节点之外，您还需要找到一种方法来并行化或升级“中心服务器”（sql、graph数据库等），以便它们能够响应来自并行hadoop节点的所有请求，不是吗？
当并行化的处理依赖于大型中央数据存储中的快速查找时，使用hadoop的最佳方法是什么？