一句话总结：分布式是架构 / 部署模式，并行是计算执行模式；分布式可以做并行，并行不一定需要分布式。
1. 概念定义
并行计算（Parallel Computing）
同一台机器内部，把一个大任务拆成多个子任务，同时执行，共用内存。
硬件：单台计算机，多核 CPU、多 CPU，共享内存
特征：多个进程 / 线程同时跑，内存互通，CPU 之间通信极快
目标：缩短单任务计算时间，把大计算拆开同时算
例子：OpenMP 多线程、CPU 多核同时运算、GPU 多流计算
并行重点：计算怎么跑（执行方式）
分布式结构（Distributed Architecture）
多台独立计算机（节点）通过网络组成集群，节点各自拥有独立内存，通过网络通信协同工作。
硬件：多台物理机器，各有自己 CPU、内存、磁盘，靠网络交互
特征：节点内存不共享，数据、消息靠网络传输，通信开销大
目标：扩容算力、存储，容错高，突破单机上限
例子：Hadoop、Spark 集群、微服务集群、K8s 集群
分布式重点：系统怎么组织（架构部署）
2. 关键维度对比表
3. 四种组合关系（非常重要）
单机并行（非分布式） 一台机器多核，多线程同时计算，没有多节点，只有并行，没有分布式。
例：本地 Python 多进程做数值计算
分布式 + 并行（最常见大数据场景） 多台机器，每台机器内部又做多核并行，节点之间网络交互。
例：Spark：集群多节点是分布式；每个 Executor 内部多线程是并行计算。
分布式但不并行 多台机器分工，任务串行流转，没有同时计算。
例：简单链式微服务 A→B→C，依次调用，没有同时算，只是部署在多台机器。
并行但非分布式：单机多核并发运算，上面已经举例。
4. 通俗比喻
并行计算：一个大工程，同一间办公室里很多工人一起干活，大家共用一张大办公桌（共享内存），互相传递东西伸手就到。
分布式结构：多个独立办公室，每个办公室有自己的桌子，办公室之间靠打电话传消息（网络）。每个办公室内部，工人也可以多人同时干活（内部并行）。
5. 容易混淆的点
分布式不等于并行：分布式只是把系统拆到多机，任务不一定同时跑；
并行不等于分布式：并行只关心同时计算，可以完全跑在一台机器；
大数据框架（Spark/Flink）：底层是分布式架构，利用并行计算提升单节点算力。
补充拓展
并行计算常见两类模型：共享内存模型 (OpenMP)、消息传递模型 (MPI，MPI 既可以单机并行，也可以跨机器变成分布式并行)
分布式天然面对：网络延迟、数据一致性、节点故障；并行主要面对：锁竞争、内存冲突。
本文原创作者：易君召，详见：https://www.yijunzhao.cn/authors/yijunzhao，转载请注明出处。
原文链接
欢迎访问 小易撩挨踢