常见数据库分类
1. 数据库分类
1.1. 按数据模型分类
| 分类 | 说明 | 典型代表 |
|---|---|---|
| 关系型数据库 | 基于关系模型，数据以表格形式存储，支持 SQL 查询语言。 | MySQL、PostgreSQL、Oracle、SQL Server |
| NoSQL 数据库（非关系型） | 非关系型数据库，不依赖固定表结构，支持灵活的数据模型。 | MongoDB、Redis、Neo4j、InfluxDB、Elasticsearch、ClickHouse |
1.2. 按存储方式分类
| 分类 | 说明 | 特点 |
|---|---|---|
| 行存储 | 数据按行存储，适合事务处理和点查询。 | MySQL、PostgreSQL。 |
| 列存储 | 数据按列存储，适合分析型查询和批量处理。 | ClickHouse、 |
| 键值存储 | 数据以键值对形式存储，支持高速读写。 | Redis、Memcached。 |
| 文档存储 | 数据以文档形式存储（如 JSON），支持嵌套数据结构。 | MongoDB。 |
1.3. 按开源与商业分类
| 分类 | 说明 | 代表 |
|---|---|---|
| 开源数据库 | 代码公开，社区驱动，免费使用。 | MySQL、PostgreSQL、MongoDB |
| 商业数据库 | 由公司开发，提供技术支持和高级功能，需付费。 | Oracle、SQL Server、SAP HANA。 |
2. 数据库对比
2.1. 关系型数据库对比
MySQL vs PostgreSQL vs Oracle vs SQL Server
| 数据库 | 设计目的 | 使用场景 | 开源 vs 商业 |
|---|---|---|---|
| MySQL | 面向 Web 应用和中小型项目，适合轻量级、高性能需求的场景 | Web应用、电子商务、内容管理系统（CMS）、数据分析、日志处理等 | 开源，由 Oracle 公司维护 |
| PostgreSQL | 适合复杂查询、数据完整性和扩展性需求。支持复杂数据类型（如 JSON、数组、几何类型） | 复杂查询、数据仓库、地理信息系统（GIS）、金融应用、科学研究等 | 开源，完全免费，无商业限制 |
| Oracle | 面向大型企业，提供全面的数据库解决方案。 | 企业资源规划（ERP）、客户关系管理（CRM）、银行系统、电信系统、政府机构等 | 商业闭源 RDBMS，由 Oracle 公司开发 |
| SQL Server | 面向 Windows 企业用户，提供与微软生态的深度集成。 | 企业级应用、商业智能（BI）、数据仓库、报表生成、与Microsoft Office的集成等 | 商业闭源 RDBMS，由微软开发。 |
2.2. 非关系型数据库对比
MongoDB vs Redis vs Neo4j vs InfluxDB vs Elasticsearch vs ClickHouse
| 数据库 | 定义 | 设计目的 | 使用场景 |
|---|---|---|---|
| MongoDB | 分布式文档数据库 | 基于 BSON 格式存储，提供灵活的文档模型 | 金数据的表单和数据结构用户配置文件存储 |
| Redis | 内存键值对数据库 | 基于内存存储，提供超高性能 | 缓存、会话存储、实时排行榜、计数器、分布式锁等。 |
| Neo4j | 图形数据库 | 基于图形数据结构，处理复杂的关系网络数据 | 社交网络分析、物联网设备关系管理等。 |
| InfluxDB | 时序数据库 | 专为时间序列数据设计 | 监控系统（CPU、内存使用情况）采集设备数据：主轴转速、倍率 |
| Elasticsearch | 分布式全文搜索引擎和分析引擎 | 基于倒排索引，支持实时全文搜索和复杂聚合查询 | 日志分析、百度搜索。 |
| ClickHouse | 列式存储数据库 | 基于列式存储，支持大规模数据的高效查询和分析 | 实时数据分析、大数据分析等。金数据表单数据平均值，最值计算 |
3. 常见数据库介绍
3.1 MongoDB
1. 原理
- 基于 BSON 格式的文档存储：数据以二进制 JSON（BSON）格式存储，支持动态模式，无需预定义结构。
- 分布式架构：通过分片（Sharding）和副本集（Replica Set）实现数据水平扩展和高可用性。
- 查询语言：提供类 SQL 的查询能力（MongoDB Query Language, MQL），支持复杂查询和聚合操作。
2. 核心概念
- 数据库（Database）：MongoDB 的逻辑容器，类似于关系型数据库中的数据库。
- 集合（Collection）：类似于关系型数据库中的表，存储一组文档。
- 文档（Document）：MongoDB 的基本数据单元，以 BSON 格式存储，支持嵌套结构。
- 字段（Field）：文档中的键值对，类似于关系型数据库中的列。
3. 设计目的
- 提供灵活的文档模型，适应快速变化的业务需求。
- 支持高并发读写，适用于内容管理系统、物联网数据存储等场景。
4. 使用场景
- 内容管理系统（CMS）
- 物联网（IoT）时序数据存储
- 产品目录管理
- 用户配置文件存储
3.2 Redis
1. 原理
- 基于内存存储：数据存储在内存中，提供超高性能的读写能力。
- 支持多种数据结构：包括字符串、列表、哈希、集合、有序集合等。
- 持久化机制：支持 RDB（快照）和 AOF（追加日志）两种持久化方式。
2. 核心概念
键值对（Key-Value Pair）：Redis 的基本存储单元，键为字符串，值可以是多种数据结构。
数据结构：
- 字符串（String）：简单的键值对。
- 列表（List）：有序的字符串集合。
- 哈希（Hash）：键值对的集合。
- 集合（Set）：无序的字符串集合。
- 有序集合（Sorted Set）：带分数的集合，按分数排序。
3. 设计目的
- 提供超高性能的内存数据结构服务器，适用于需要快速读写操作的场景。
- 支持持久化，确保数据不会因服务器重启而丢失。
4. 使用场景
- 缓存
- 会话存储
- 实时排行榜
- 计数器
- 分布式锁
- 消息队列
3. 3 Neo4j
1. 原理
- 基于图形数据结构：节点表示实体，边表示实体之间的关系。
- 属性图模型：节点和边都可以有属性，属性以键值对的形式存储。
- Cypher 查询语言：专为图形数据设计的查询语言，支持复杂的图形查询。
2. 核心概念
- 节点（Node）：表示实体，如用户、产品等。
- 关系（Relationship）：表示实体之间的关系，如朋友关系、购买关系等。
- 属性（Property）：节点和边都可以有属性，如用户的年龄、产品的价格等。
- 标签（Label）：用于分类节点，如用户节点可以有“管理员”标签。
3. 设计目的
- 处理复杂的关系网络数据，提供高效的图形查询和分析能力。
- 支持实时推荐和社交网络分析。
4. 使用场景
- 社交网络分析
- 推荐系统
- 金融风险管理
- 生物信息学（基因、蛋白质关系分析）
3.4 InfluxDB
1. 原理
- 专为时间序列数据设计：数据按时间戳组织，支持高写入和低查询延迟。
- 分布式架构：通过分片和副本集实现数据水平扩展和高可用性。
- 查询语言：支持类似 SQL 的查询语法（InfluxQL），提供强大的时间序列数据分析能力。
2. 核心概念
- Measurement（测量值）：类似于关系型数据库中的表，存储一组相关的数据点。
- Tag（标签）：用于索引的键值对，通常表示静态或低基数的属性。
- Field（字段）：存储实际数据的键值对，通常表示动态或高基数的属性。
- Series（序列）：由 Measurement、Tag Set 和 Timestamp 唯一确定的一组数据。
- Point（数据点）：Series 中的一个单独数据记录，包含时间戳和字段值。
3. 设计目的
- 高效存储和查询时间序列数据，适用于监控和日志分析场景。
- 支持实时数据写入和历史数据查询。
4. 使用场景
- 监控系统（如 CPU、内存使用情况）
- 物联网设备数据
- 应用性能监控（APM）
- 日志数据存储与分析
3.5 Elasticsearch
1. 原理
- 基于倒排索引：数据以 JSON 格式存储，通过倒排索引加速搜索。
- 分布式架构：通过分片和副本集实现数据水平扩展和高可用性。
- 查询语言：支持强大的 DSL（Domain Specific Language）查询语法，提供复杂的全文搜索和聚合分析能力。
2. 核心概念
- 索引（Index）：逻辑容器，存储一组相关的文档。
- 文档（Document）：存储的基本单元，以 JSON 格式存储。
- 映射（Mapping）：定义字段类型，类似于关系型数据库中的表结构。
- 倒排索引（Inverted Index）：加速搜索的关键数据结构，将词映射到包含该词的文档。
3. 设计目的
- 提供分布式全文搜索和分析能力，适用于大规模数据检索和分析。
- 支持实时数据索引和查询。
4. 使用场景
- 日志分析
- 安全信息和事件管理（SIEM）
- 应用搜索
- 电子商务搜索
3.6 ClickHouse
1. 原理
- 基于列式存储：数据按列存储，支持高效压缩和并行处理。
- MergeTree 引擎：支持分区、排序键和压缩算法，优化查询性能。
- 查询语言：支持类似 SQL 的查询语法，提供强大的数据分析能力。
2. 核心概念
- 列式存储：数据按列存储，减少磁盘 I/O，提高查询性能。
- MergeTree 引擎：ClickHouse 的核心存储引擎，支持分区、排序键和压缩算法。
- 分区（Partition）：将数据按时间或其他维度分区，提高查询效率。
- 排序键（Ordering Key）：定义数据在列中的排序方式，影响查询性能。
- 压缩算法：支持多种压缩算法，减少存储空间。
3. 设计目的
- 提供高性能的 OLAP 查询能力，适用于实时数据分析场景。
- 支持大规模数据的高效查询和分析。
4. 使用场景
- 实时数据分析
- 大数据分析
- 数据仓库
- 商业智能（BI）
- 用户行为分析
常见数据库分类
http://example.com/常见数据库分类/