在大数据领域，“高吞吐”（High Throughput）指的是系统在单位时间内能够处理的数据量很大，强调数据处理的 “效率和规模”，是衡量大数据系统性能的核心指标之一。

简单来说，就是系统 “一次能处理很多数据” 或者 “在相同时间内能处理更多数据”。

举例理解：

• 比如一个日志处理系统，高吞吐可能意味着它每秒能处理 100 万条日志，而低吞吐系统可能只能处理 1 万条。
• 再比如文件传输，高吞吐的分布式存储（如 HDFS）能在 1 小时内完成 10TB 数据的读写，而普通存储可能需要 10 小时。

高吞吐的核心特点：

1. 批量处理优先：高吞吐系统通常擅长 “批量处理大量数据”，而非快速响应单个小请求（后者更侧重 “低延迟”）。例如：Hadoop MapReduce 就是典型的高吞吐框架，适合对 TB 级数据做批量分析，不在乎单个任务的响应时间。

2. 牺牲部分实时性：为了提升吞吐量，系统可能会牺牲一些实时性。例如：日志收集系统可能先将数据缓存起来，攒到一定量再批量处理，而不是收到一条就处理一条。

3. 依赖分布式架构：单台机器的处理能力有限，高吞吐通常通过多机器分布式协作实现（比如多节点并行读写、数据分片处理）。

为什么大数据场景重视高吞吐？

因为大数据的核心是 “海量数据”（TB/PB 级），如果系统吞吐量低，处理这些数据可能需要几天甚至几周，失去了数据的时效性价值。例如：电商平台每天产生的用户行为数据（点击、购买等）达 TB 级，必须通过高吞吐系统在几小时内完成分析，才能及时调整推荐策略。

与 “低延迟” 的区别：

• 高吞吐：关注 “单位时间处理的数据总量”（如每秒处理 100 万条记录）。
• 低延迟：关注 “单个请求的响应速度”（如一条查询在 10 毫秒内返回）。

两者是不同的性能维度，有些系统侧重高吞吐（如批处理框架），有些侧重低延迟（如实时查询系统），也有些会在两者间做平衡（如流处理框架 Flink）。