数据库选型的一些看法(转)

在做项目的技术选型时,对于数据库我们一般是这么选择的:

一、客户指定了数据库的情况。比如某些**用户指定要用Oracle,我们当然是以客户的要求为最高优先级了。

二、项目总预算不高的情况,对于企业级应用,如各种管理系统、OA之类的项目,我们会优先选择MySQL、PostgreSQL。因为MySQL、PostgreSQL都是免费的数据库,而且第三方工具也很多,比如Sqlyog,资料、文档也非常多,社区力量强大,遇到问题很容易解决。数据库优化也不是问题,有很多技巧可以掌握。

三、项目总预算不高的情况,对于实时性要求很高的项目,我们会选择NoSQL,比如内存数据库Redis或者面向文档的数据库MongoDB,这种情况下对于团队的技术要求较高,因为NoSQL正处于迅猛发展中,文档资料相对要少一些,解决问题的难度相对要大一些。我们公司有多个团队,其中有一个团队熟悉Redis,另一个团队熟悉MongoDB。

四、项目报价较高,预算充足的情况,对于企业级应用,如各种管理系统、OA之类的项目,我们会选择SQL Server或者Oracle。因为SQL Server相对易用,项目开发速度最快。而且购买了SQL Server或者Oracle,那么技术支持会帮忙解决问题。

五、项目报价较高,预算充足的情况,对于项目主要是面向BI、数据分析之类的需求,那么我们会选择列式数据库,比如Sybase IQ。其它的列式数据库如Google的BigTable,我们的团队不够熟悉,所以不会选择。

结论:其实各种选择也并非绝对,有句俗话说“一招鲜,吃遍天”。如果项目团队把MySQL完全吃透了,能够从源码级进行改进和开发,那么99%的需求,你都可以选择MySQL来搞定它。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/24104518/viewspace-723413/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/24104518/viewspace-723413/

电商数仓:用户行为数据仓库(一)数据仓库建设和技术选型 文章目录数据仓库概念项目需求分析架构设计技术选型系统结构设计数据流程设计![在这里插入图片描述](https://img-blog.csdnimg.cn/20190428150949312.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d... 阅读详情

相关推荐

relational DB与NoSQL DB有什么区别?该如何选型?

关系型数据库适用于对数据一致性要求高、数据结构较固定、查询复杂的场景,且在传统的中小型业务系统中表现良好。 非关系型数据库适用于大规模、高并发、分布式、数据结构灵活的场景,适合快速增长和高可用的需求。 因此,选择关系型还是非关系型数据库,主要取决于应用的具体需求、数据规模以及一致性需求等因素。

weixin_53227829的博客 1347

80篇数据库&大数据精华内容

八天小长假,一个难得的查漏补缺、学习充电的好时机!平时因为忙碌而错过的技术干货,不如重拾一次酣畅淋漓;那些读过后为之鼓掌的优质好文也不妨温故而知新~为了方便大家查阅,dbaplus社群对近一年发布过的干货好文进行汇总打包,诚意奉上。 干货合集第一弹,我们分别甄选了数据库和大数据领域共80篇精华内容,内容涵盖MySQL、去O、分库分表、SQL优化、数据库选型、数据仓库、Elasticsearch、Kafka……戳标题即可阅读原文↓ 数据库系列 MySQL 工行分...

johnhuster的专栏 1862

【技术选型】时序数据库选型

时序数据治理是数据治理领域核心、打通IT与OT域数据链路,是工业物联网基石、大数据价值创造的关键、企业管理提升的发动机、是数字化转型的重要支撑。工业企业在生产经营过程中,会运用物联网技术,采集大量的数据并进行实时处理,这些数据都是时序的,而且具有显著的特点,比如带有时间戳、结构化、没有更新、数据源唯一等。时序数据处理应用于智慧城市、物联网、车联网、工业互联网领域的过程数据采集、过程控制,并与过程管理建立一个数据链路,属于工业数据治理的新兴领域。公共安全:上网记录、通话记录、个体追踪、区间筛选;

DreamSun的博客 4090

数据库中间件的选型的思考(转载)

背景:随着业务的增长,各种业务数据的快速增长,单表数据量的急剧增长,单表的读写性能以及吞吐量呈下降的趋势。因此需要使用分库分表的机制来保证服务的高性能,然而开源的数据库中间件众多,从中挑选一款合适的中间件必须要考虑的 问题: 什么时候使用中间件,中间件作用 中间件原理,开源的中间件 推荐使用的中间件 1.中间件的使用时机 业务的发展使数据库中的数据量变大,几千万或者上亿级别的数据表出现,...

守望希望 909

JFET放大电路实例设计仿真

参照《晶体管电路设计》中的例子 JFET 2SK184 JFET 2SK184 数据手册如下 电路设计 共源放大 步骤:1、静态工作点 2N4416 1ma 2、RD和RS A=5 5:1 RS 2V /1m=2k RD 5k 3、偏压VG 根据传输特性 VGS-ID vgs=-0.7 vg=2-0.7=1.3 400k^2/50k...

f的博客 7441

分支界定法(branch and bound)与背包问题的代码实现

分支界定法(branch and bound)与背包问题的代码实现 LastEditTime: - 2021.2.3 不卖茶的吴龙茗茶 分支界定法是一种在整数规划中常用的算法,其主要思想为将大问题分割成小问题进行求解。分支界定法是围绕着一个二叉树进行的,以背包问题为例: 假设小明有一个背包,其总的容积为30,小明有三件东西可以带,三件东西的体积分别为:10,15,20。求问小明如何能够在背包中装下更大体积的物品? .

小吴同学的小屋 1885

后端工程师第一篇-数据库基本介绍 (1)

一、数据库的基本概念 1.数据(Data):所谓数据是指对客观事物进行描述并可以鉴别的符号,这些符号是可识别的、抽象的、它不仅仅指狭义上的数字,而是有多种表现形式:字母、文字、文本、图形、音频、视频等。现在计算机存储和处理的数据十分广泛,而描述这些数据的符号也变得越来越复杂了。 2.数据库(DB):数据库指的是以一定的格式存放、能够实现多用户共享,与应用程序彼此独立的数据集合。 3.数据库管理系统(DBMS):是用来定义和管理数据的软件。如何科学的组织和存储数据,如何高效的获取和维护数据,如何保证数据

xuangezuishuai的博客 1605

使用LSTM(长短期记忆)模型处理文本数据的典型流程

对于序列到序列的任务(如机器翻译),可以使用LSTM的隐状态来生成目标序列。这些向量捕获了词之间的语义关系,每个词都被表示为一个高维空间中的点,语义上相似的词在向量空间中彼此靠近。这通常是通过创建一个词汇表(vocabulary)来实现的,词汇表中的每个词都会被分配一个唯一的数字ID。:由于LSTM等循环神经网络(RNN)需要固定长度的输入,所以需要将不同长度的句子填充到相同的长度。由于计算机不能直接理解连续的文本,第一步是将文本分割成独立的词或标记(token)。:将词嵌入作为输入传递给LSTM模型。

YHKKun的博客 2500

数据分析系统数据库选型

没事就要阅读: https://ask.hellobi.com/blog/biwork/549     SQL Server 2016 列存储索引功能增强   SQL Server 2016:企业数据价值的“挖矿机”   通过MS SQL列存储索引实现大数据解决方案   SQL SERVER 2016安装步骤   SQLSERVER2012 列存储索引的简单研究和测...

weixin_33889665的博客 372

【网络】PFC背景和原理 、文档(DCB=PFC + ETS,DCBX=DCB扩展)

目录 零、背景 一、PFC 1.概述 2.报文格式 3.工作机制 二、ETS 产生原因 基本原理 优先级组的调度 优先级的调度 三、DCBX 产生原因 基本原理 DCBX TLV介绍 五、PFC 拥塞研究(文档收集) 六、DC-QCN算法 (网络工程师必会) 7.1 α更新 7.2 降速 7.3 提速 8.总结 ...

小鱼菜鸟的博客 2165

Django 6.0:有哪些新特性以及它们对实际项目的重要性

Django 6.0 感觉像是一个成熟的版本,它基于实际应用案例而打造。它减少了不必要的复杂性,同时扩展了框架的开箱即用功能。升级到 Django 6.0 不仅仅是为了保持版本更新,更是为了构建更易于维护、更安全、更能适应未来发展的应用程序。

iCloudEnd的博客 341

后台数据库设计

文章目录前言一、数据库设计总结 前言 菜鸟开发记录,大佬看到可以求点评 小白在学习路上的二次开发, 一、数据库设计 # # Structure for table "goods_comment" # CREATE TABLE `goods_comment` ( `id` char(19) NOT NULL COMMENT 'ID', `goods_id` varchar(19) NOT NULL DEFAULT '' COMMENT '商品id', `merchant_id` char(1

weixin_47212973的博客 2989

模型实战(31)之 yolo26 实现对手部关键点数据集 的训练与关键点检测

模型实战(31)之 yolo26 实现对手部关键点数据集 的训练与关键点检测

yohnyang的博客 209

数据库选型的一些看法2(转)

关于数据库平台的选型,一般需要先对应用系统进行大致的分类,个人认为,就目前的大部分应用系统而言,可以分为以下的三类:1,企业中用于日常生产的ERP系统。2,企业中的数据仓库的各项应用。3,互联网的一些应用系统。这三类应用系统各有...

cu10025的博客 158

PCL 计算点云的体积密度(C++详细过程版)

本文提出了一种基于点云体积密度的计算与可视化方法。算法通过KdTree搜索每个点的邻域,利用球体积公式计算单位体积内的点数作为密度值,并存储在点云强度属性中。代码实现了点云读取、密度计算和可视化功能,使用PCL库完成邻域搜索和密度渲染。结果显示,该方法能有效反映点云密度分布,为后续点云处理提供密度特征参考。文章附有完整C++代码实现和可视化效果图,适用于点云密度分析和特征提取应用。

点云侠的博客 308

置顶必读(2) | 《YOLOv11实战:从入门到深度优化》目录导航篇(持续更新中)

🏆 本文收录于 《YOLOv11实战:从入门到深度优化》 专栏。 本专栏系统梳理并持续复现全网各类 YOLOv11 / YOLO系列改进方案与实战案例,目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。 内容坚持 持续更新 + 深度拆解 + 工程落地导向,不仅讲“怎么改”,更讲“为什么这样改、如何真正落地到项目中”。

**My Coding Family** 11万+

数据仓库与数据库的选型与建立

1.背景介绍 数据仓库和数据库是数据管理领域中两个核心概念。数据仓库是用于存储和管理大量历史数据的仓库,而数据库则是用于存储和管理实时数据。在现代企业中,数据仓库和数据库的选型和建立是非常重要的,因为它们决定了企业对数据的处理和分析能力。 数据仓库和数据库的选型和建立涉及到多个方面,包括数据的类型、规模、来源、使用场景等。在选择和建立数据仓库和数据库时,需要考虑到数据的安全性、可靠性、性能等方...

AI天才研究院 1663

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

数据仓库技术选型方案文档

Flink CDC 是 Flink 的子项目,是 Flink 的一组原连接器,用于 CDC 从不同数据库接收/更改数据,Flink CDC 将 Debezium 集成为引擎,异步或数据更改,因此 Flink CDC 可以充分使用和发挥 Debezium 的能力,并且可以无缝对接 Flink 使用其 SQL API 和 DataStream API 的能力,最终写入各种数据源。它基本能够满足各种数据分析类的场景,并且随着数据体量的增大,它与Spark、Impala、Kylin对比,优势也会变得越为明显。

HumorChen的博客 4859

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

一文读懂数据库、数据仓库、数据平台、数据中台、数据湖

数据库是用于存储、管理、维护和检索数据的系统。是所有软件应用、网站、企业信息系统和数据驱动决策的基础。简单来说就是:数据库就是一个存储信息(水)的容器。数据库使用场景-图1数据库主要分为两种类型:关系型数据库和非关系型(NoSQL)数据库。非关系型又分为四种类型:键值型、列存储型、文件型和图形数据库(这块后面有时间详细说下)。数据库类型-图2题外话:某些数据库(如 MongoDB)可以分为多个类别,因为它们支持不同的数据模型。此外,所提供的列表并不详尽,因为每个类别中还有许多其他数据库可用。

m0_59235945的博客 6418

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

架构抉择:数据仓库与数据湖的全面对比与选型指南

数据仓库(Data Warehouse)是面向主题的、集成的、相对稳定的、反映历史变化的数据集合,用于支持管理决策。它通常采用“写时模式”(Schema-on-Write)的方式,在数据加载前定义好数据模型。核心特征结构化数据为主预先定义Schema高查询性能数据经过清洗和转换数据湖(Data Lake)是一个以原始格式存储大量数据的系统,包括结构化、半结构化和非结构化数据。它采用“读时模式”(Schema-on-Read)的方式,数据在读取时才进行解析和结构化。核心特征支持所有数据类型。

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 5117

数据仓库选型建议

数据仓库选型建议

跟着大数据和AI去旅行 2910

基于 Hive 构建数据仓库

前言 设想有一批各种类型的离线(或实时)数据(文本、csv、Excel 等),我们如何挖掘这些数据背后的价值,分析这些数据之间的关联? 很容易想到的就是,写程序把每种数据按照某种规则抽取出来放到关系型数据库中进行分析。 这样做可能存在什么样的问题? 按照某种规则进行抽取,是否会导致原始数据信息的丢失? 因为前期设计不足或者后期需求变化导致数据的重复处理? 面对上千亿,甚至上万亿的数据,...

Daphnis的博客 3264

深度解析:数据仓库与数据湖的核心区别及架构选型指南

在大数据、人工智能快速发展的今天,企业数据架构选型成为数字化转型的核心环节。数据仓库(Data Warehouse)和数据湖(Data Lake)是企业存储、管理海量数据的两大核心技术,很多开发者和架构师容易混淆两者的概念、适用场景。本文将从核心定义、架构特点、10大核心区别全面解析两者差异,同时给出企业架构选型标准,搭配流程图、实战场景,帮你快速掌握选型逻辑,适合大数据开发、数据架构、运维工程师学习参考。数据仓库是面向主题、集成、非易失、时变。

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 3738

数据库与数据仓库

数据库与数据仓库: 简而言之,数据库是面向事务的设计,数据仓库是面向主题设计的。 数据库一般存储在线交易数据,数据仓库存储的一般是历史数据。 数据库设计是尽量避免冗余,一般采用符合范式的规则来设计,数据仓库在设计是有意引入冗余,采用反范式的方式来设计。 数据库是为捕获数据而设计,数据仓库是为分析数据而设计,它的两个基本的元素是维表和事实表。维是看问题的角度,比如时间,部门,维表放的就是这些东西的定义,事实表里放着要查询的数据,同时有维的ID。 单从概念上讲,有些晦涩。任何技术都是为应用服务的,结合应用可以很

Allenzyg的博客 1860

数据仓库建模:事实表类型详解与选型实战指南

事实表(Fact Table)数据仓库中用于存储业务行为产生的量化指标的表,由维度外键和度量值组成。维度外键:用于关联维度表度量值:可统计的数值(金额、数量、次数、时长)一句话记忆:事实表存储发生了什么、发生了多少。事务事实表:记录单次行为,最常用,下单/支付/行为周期快照事实表:记录周期状态,库存/日报/余额累积快照事实表:记录全流程,物流/履约/工单选型口诀单次事件用事务,定期状态用快照,流程跟踪用累积掌握三种事实表,就能搞定所有数仓建模场景!

✨ 欢迎来到【Seal ^_^ 的优快云博客】!✨ 4518
上一篇: perl中my与local的区别
下一篇: 数据库选型的一些看法2(转)
cu10025
博客等级 码龄10年 1粉丝 0原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值