国产数据库,计算性能太强了!

银行业国产数据库现状 国产数据库 阅读详情

随着大数据时代的来临,数据量不断增长,传统小机上跑数据库的模式扩容困难且成本高昂,难以支撑业务发展。很多用户开始转向分布式计算路线,用多台廉价的 PC 服务器组成集群来完成大数据计算任务。

Hadoop/Spark 就是其中重要的软件技术,由于开源免费而广受欢迎。经过多年的应用和发展,Hadoop 已经被广泛接受,不仅直接应用于数据计算,还发展出很多基于它的新数据库,比如 Hive、Impala 等。

Hadoop/Spark 之重

Hadoop 的设计目标是成百上千台节点的集群,为此,开发者实现了很多复杂、沉重的功能模块。但是,除了一些互联网巨头企业、国家级通信运营商和大型银行外,大多数场景的数据量并没有那么巨大。结果,经常能看到只有几个到十几个节点的 Hadoop 集群。由于目标和现实的错位,对很多用户来讲,Hadoop 成了一个在技术、应用和成本上都很沉重的产品。

技术之重

如果真的有几千台计算机组成的集群,是不可能依靠手工个性化管理的。试想,将这些计算机罗列出来,运维人员看都看不过来,更别说管理和分配任务了。再说,这么多机器,难免会不断出现各种故障,怎么保证计算任务顺利执行?Hadoop/Spark 的开发者为了解决这些问题,编写了大量代码,用于实现自动化节点管理、任务分配和强容错功能。

但是,这些功能本身就要占用很多计算资源(CPU、内存和硬盘等),如果用到几台到十几台节点的集群上,就太过沉重了。集群本来就不大,Hadoop 还要占用相当一部分的资源,非常不划算。

不仅如此,Hadoop 产品线很长,要把这些模块都放在一个平台上运行,还要梳理好各个产品之间的相互依赖性,就不得不实现一个包罗万象的复杂架构。虽然大多数场景只用其中一两个产品,也必须接受这个复杂、沉重的平台。

后来出现的 Spark 弥补了 Hadoop 对内存利用的不足,技术上是不是可以变轻呢?很遗憾,Spark 走向了另一个极端,从理论模型上就只考虑内存计算了。特别是 Spark 中的 RDD 采用了 immutable 机制,在每个计算步骤后都会复制出新的 RDD,造成内存和 CPU 的大量占用和浪费,离开大内存甚至无法运行,所以技术上还是很重。

使用之重

Hadoop 技术上太过复杂,也就意味着安装和运维会很麻烦。集群只有几台计算机时,却不得不使用为几千台节点集群设计的节点管理、任务分配和容错功能。可想而知,安装、配置、调试都很困难,日常运行的维护、管理工作也不容易。

即使克服这些困难让 Hadoop 运行起来了,编写大数据计算代码时还会面临更大的麻烦。Hadoop 编程的核心框架是 MapReduce,程序员要编写并行程序,只要写 Map 和 Reduce 动作即可,用来解决求和、计数等简单问题也确实有效。但是,遇到复杂一些的业务逻辑,用 MapReduce 编程就会变得非常困难。例如,业务计算中很常见的 JOIN 计算,就很难用 MapReduce 实现。再比如,很多和次序有关的运算实现起来也很困难。

Spark 的 Scala 语言具备一定的结构化数据计算能力,是不是能简单一些呢?很可惜,Scala 使用难度很大,难学更难精。遇到复杂一些的运算逻辑,Scala 也很难写出来。

MapReduce、Scala 都这么难,所以 Hadoop/Spark 计算语法开始回归 SQL 语言。Hive 可以将 SQL 转化为 MapReduce 所以很受欢迎,Spark SQL 的应用也比 Scala 广泛的多。但是,用 SQL 做一些常规查询还算简单,用于处理多步骤过程计算或次序相关运算还是非常麻烦,要写很复杂的 UDF。而且,许多计算场景虽然勉强能用 SQL 实现,但是计算速度却很不理想,也很难进行性能调优。

成本之重

虽然 Hadoop 软件本身开源免费,但它技术复杂、使用困难,会带来高昂的综合成本。

前面说过,Hadoop 自身会占用过多的 CPU、内存和硬盘,而 Spark 需要大内存支撑才能正常运行。所以不得不为 Hadoop/Spark 采购更高配置的服务器,要增加硬件支出。

Hadoop/Spark 使用困难,就需要投入更多的人力去完成安装、运维,保证 Hadoop/Spark 的正常运转;还要投入更多的开发人员,编程实现各种复杂的业务计算,要增加人力资源成本。

由于使用过于困难,很多用户不得不采购商业公司的收费版本 Hadoop/Spark,价格相当可观,会大幅增加软件采购成本。

既然 Hadoop 如此沉重,为什么还有很多用户会选择它呢?答案很简单:暂时找不到别的选择,也只有 Hadoop 勉强可用,好歹知名度高一些。

如此一来,用户就只能安装、配置 Hadoop 的重型应用,并忍受 Hadoop 本身对计算资源的大量消耗。小规模集群的服务器数量本来就不多,Hadoop 又浪费了不少,小马拉大车,最后运行的效果可想而知。花了大价钱采购、费事费力的使用 Hadoop,实际计算的性能却不理想。

就没有别的选择了?

轻量级的选择

开源的 esProc SPL 是轻量级大数据计算引擎,采用了全新的实现技术,可以做到技术轻、使用简单、成本低。

技术轻

本文开头说过,越来越大的数据量让传统数据库撑不住,所以用户只能转向分布式计算技术。而数据库之所以撑不住,是因为 SQL 难以实现高速算法,大数据运算性能只能指望数据库的优化引擎,遇到复杂计算时,优化引擎又常常无能为力。

所以,我们应该想办法设计更高效的算法,而不是一味地追求分布式计算。按照这个思路,SPL 提供了众多高性能算法(有许多是业界首创)以及高效的存储方案,同等硬件环境下可以获得远超过数据库的运算性能。安装在单机上的 SPL 就可以完成很多大数据计算任务,架构比集群简单很多,从技术上自然就轻的多了。

SPL 的高性能算法有下面这些:

04146fe85dc9f75ab6a6f30b3a48a64e.png

对于数据量更大的情况,SPL 实现了轻量级集群计算功能。这一功能的设计目标是几台到十几台节点的集群,采用了与 Hadoop 完全不同的实现方法。

SPL 集群不提供复杂沉重的自动化管理功能,而是允许对每个节点进行个性化配置。程序员可以根据数据特征和计算目标来决定各节点存储什么样的数据,完成哪些计算。这样做,不仅大大降低了架构复杂度,也是提升性能的重要手段。

以订单分析为例,订单表很大,要通过产品号字段与较小的产品表主键做关联,再按照产品供应商分组汇总订单金额。SPL 集群可以很容易的将订单表分段存放在各个节点的硬盘上,再将较小的产品表读入每个节点的内存中。计算时,每个节点仅对本机上的订单分段和产品数据做关联、分组汇总,可以缩短总计算时间;再将结果传输到一个节点上做二次汇总。由于传输的是第一次汇总的结果,数据量小、网络传输时间较短。总体来说,这个方案可以获得最佳性能,虽然程序员需要做一些更细致的工作,但对于小规模集群来说,增加的工作量并不大。

SPL 也不提供超强的容错能力,不会像 Hadoop 那样,在有节点故障的情况下,还要保证任何一个任务都会执行成功。实际上,大多数计算任务的执行时间都在几个小时以内,而几台、十几台机器的集群一般都能做到较长时间正常运行,不会这么频繁的出故障。即使偶尔出现节点故障导致任务执行失败,再重新计算一遍也可以接受,毕竟这种情况不会经常发生。所以,SPL 的容错能力只是保证有少数节点故障的时候,整个集群还能继续工作并接受新任务(包括重算的任务),这就大大降低了 SPL 集群的复杂度。

在内存计算方面,SPL 没有使用 Spark RDD 的 immutable 机制,而是采用了指针式复用机制,利用地址(指针)访问内存,在数据结构没有改变的情况下,直接用原数据的地址形成结果集,不必每个计算都将数据复制一遍,仅仅多保存一个地址(指针),可以同时减少 CPU 和内存的消耗,运行起来要比 Spark 轻很多了。并且,SPL 改进了当前的外存计算算法体系,降低了复杂度并扩大了适应范围,可以做到内外存计算结合,充分提升计算性能的同时,还不像 Spark 那样依赖大内存。

使用简单

SPL 采用轻量级技术,自然更容易安装、配置和运行维护。SPL 不仅可以作为独立服务器使用,还很容易集成到需要高性能计算的应用中,比如即时查询系统,只要引入几个 jar 包即可。Hadoop 则很难集成,只能在边上作为一个数据源运行。有些临时性数据需要随时进行处理,则可使用 SPL 的桌面集成开发环境可视化地计算,快速得到结果。如果要安装部署 Hadoop,那么等环境搭建好时临时数据任务已经过期了。

前面展示的众多 SPL 高性能算法,也能让大数据计算编程变得简单。程序员可以在较短时间内掌握这些算法函数,学习成本相对较低。而且,使用这些现成的函数很容易实现各种复杂的计算需求,不仅比 MapReduce/Scala 简单,比 SQL 也简单很多。

比如,以电商网站常见的漏斗分析为例,用 SQL 实现三步漏斗的代码大致如下:

with e1 as (
  select gid,1 as step1,min(etime) as t1
  from T  
  where etime>= to_date('2021-01-10', 'yyyy-MM-dd') and etime<to_date('2021-01-25', 'yyyy-MM-dd')    
    and eventtype='eventtype1' and …  
  group by 1
),
with e2 as (  
  select gid,1 as step2,min(e1.t1) as t1,min(e2.etime) as t2  
  from T as e2  
  inner join e1 on e2.gid = e1.gid  where e2.etime>= to_date('2021-01-10', 'yyyy-MM-dd') and e2.etime<to_date('2021-01-25', 'yyyy-MM-dd') 
    and e2.etime > t1    
    and e2.etime < t1 + 7
    and eventtype='eventtype2' and …  
    group by 1
),
with e3 as (  
  select gid,1 as step3,min(e2.t1) as t1,min(e3.etime) as t3  
  from T as e3  
  inner join e2 on e3.gid = e2.gid  
  where e3.etime>= to_date('2021-01-10', 'yyyy-MM-dd') and e3.etime<to_date('2021-01-25', 'yyyy-MM-dd') 
    and e3.etime > t2    
    and e3.etime < t1 + 7
    and eventtype='eventtype3' and …  
  group by 1
)
select
  sum(step1) as step1,  
  sum(step2) as step2,  
  sum(step3) as step3
from
  e1  
  left join e2 on e1.gid = e2.gid  
  left join e3 on e2.gid = e3.gid

SQL 写出来要三十多行,理解起来有相当的难度。如果用 MapReduce/Scala 来写,会更加困难。即使是用 SQL 实现,写出来的这段代码和漏斗的步骤数量相关,每增加一步就要再增加一段子查询。

相比之下,SPL 就简单得多,处理任意步骤数都是下面这样简洁的代码:


A

B

1

=["etype1","etype2","etype3"]

=file("event.ctx").open()

2

=B1.cursor(id,etime,etype;etime>=date("2021-01-10") && etime<date("2021-01-25") && A1.contain(etype) && …)

3

=A2.group(id).(~.sort(etime))

=A3.new(~.select@1(etype==A1(1)):first,~:all).select(first)

4

=B3.(A1.(t=if(#==1,t1=first.etime,if(t,all.select@1(etype==A1.~ && etime>t && etime<t1+7).etime, null))))

5

=A4.groups(;count(~(1)):STEP1,count(~(2)):STEP2,count(~(3)):STEP3)

SPL 集群计算的代码也非常简单,比如前面提到的订单分析计算,具体要求是:大订单表分段存储在 4 个节点上,小产品表则加载到每个节点的内存中,两表关联之后要按照产品供应商分组汇总订单金额。用 SPL 写出来大致是下面这样:


A

B

1

["192.168.0.101:8281","192.168.0.102:8281",…, "192.168.0.104:8281"]

2

fork to(4);A1

=file("product.ctx").open().import()

3


>env(PRODUCT,B2)

4

=memory(A1,PRODUCT)

5

=file("orders.ctx":to(4),A1).open().cursor(p_id,quantity)

6

=A5.switch(p_id,A4)

7

=A7.groups(p_id.vendor;sum(p_id.price*quantity))

这段代码执行时,任务管理(内存加载、任务拆分、合并等)所需要的计算资源,远远小于关联和分组汇总计算的消耗。如此轻便的任务管理功能,可以在任意节点、甚至是集成开发环境 IDE 上执行。

成本低

与 Hadoop 相同,SPL 也是开源软件,不同的是 SPL 不仅软件免费,综合成本也非常低。

SPL 安装、配置、运维很容易,可以大大降低支持人员的人力资源成本。同时,由于 SPL 降低了大数据计算编程的难度,程序员很容易实现各种复杂的计算,开发效率显著提高,也就节省了程序员的人力资源成本。

而且,由于 SPL 技术体系非常轻,平台自身占用的 CPU、内存和硬盘很少,可以让更多的资源用于业务计算,能大幅提高硬件利用率。SPL 也不像 Spark 那样依赖大内存,总体来说,大大减少了硬件采购成本。

SPL 既轻且快

SPL 技术轻、自身消耗小,而且还提供了众多高性能算法,所以,在几个到几十个节点的集群,甚至单机的情况下,比 Hadoop/Spark 有更好的性能表现。

   案例 1:某电商漏斗分析计算。

Spark:6 节点,每节点 4CPU 核,平均计算时间:25 秒。

SPL:单机,8 线程计算,平均计算时间可达 10 秒。代码量仅有 Spark Scala 的一半。

   案例 2:某大型银行用户画像分析。

Hadoop 上某 OLAP 服务器:虚拟机 100CPU 核,计算时间:120 秒。

SPL:虚拟机 12CPU 核,计算时间:仅 4 秒。性能提高 250 倍。

   案例 3:某商业银行的手机银行 APP,活期明细查询,数据量大且高并发。

基于 Hadoop 的某商用数据仓库:高并发时无法达到秒级的响应速度,只好换用 6 台 ES 集群。

SPL 单机:达到 6 台 ES 集群同样的并发和响应能力。

总结来说,Hadoop/Spark 是源自头部互联网企业的重型解决方案,适合需要有超大规模集群的巨大企业。很多场景的数据虽然也不少,但小集群甚至无集群就足够处理,远没多到这些巨大企业的规模,也没有那么多的硬件设备和维护人员。这种情况下,轻量级的大数据计算引擎 SPL 是首选,投入很低的成本,就可以做到技术轻、使用简便,而且还能提高开发效率、达到更高的性能。

GitHub:https://github.com/SPLWare/esProc

3b5445a49a00431a73a9e178199dd7b5.png

重磅!开源SPL交流群成立了

简单好用的SPL开源啦!

为了给感兴趣的技术人员提供一个相互交流的平台,

特地开通了交流群(群完全免费,不广告不卖课)

需要进群的朋友,可长按扫描下方二维码

e5d850f3bf4d85d066ea5384279c0f7b.png

本文感兴趣的朋友,请到阅读原文去收藏 ^_^

国内三大数据库的比较 国内三大数据库cnki、万方、维普的比较 立即下载

相关推荐

以太网硬件核心:MAC、PHY、MII与交换机原理与实战排查

计算机网络通信的基础依赖于一套完整的硬件协议栈。在OSI模型中,数据链路层和物理层是实现设备间可靠、高效数据传输的基石。其核心原理在于将上层数据包封装成帧,并通过特定的介质访问控制与物理信号转换机制进行传输。这一过程的技术价值在于为上层应用提供了透明、稳定的通信信道,是互联网和所有局域网通信的物理承载。在嵌入式系统、网络设备开发及运维等应用场景中,深入理解底层硬件交互至关重要。本文将聚焦于以太网硬件的两大核心组件:负责逻辑成帧与流量控制的MAC控制器,以及负责数模转换与链路协商的PHY芯片。它们通过MII、

dgqvhtlwq472235338的博客 425

达梦|人大金仓|神舟通用|南大通用 国产单机数据库硬核评测-第一期

从上图中可以看到,即使到了1000万,在无索引的环境下,每个数据均能完成任务,从性能稳定性来看的话,人大金仓出现过较大的波动,而南大通用的稳定性也较差。综上,在300万数据规模场景中,南大通用与神州通用都表现出不同程度的性能下降,而达梦与人大金仓的性能及稳定性方面相对较好,综合比较,达梦有一定的优势。

jinchunzhao的博客 8047

告别代码恐惧!用KRobot图形化编程,10分钟搞定Arduino巡线小车(附完整接线图)

本文介绍如何使用KRobot图形化编程工具快速搭建Arduino巡线小车,无需编写代码。从硬件准备到逻辑构建,详细讲解传感器数据处理、电机控制优化及高级功能扩展,帮助教育工作者和创客爱好者10分钟内完成项目。

weixin_30632089的博客 398

国产CPU执行SPL实现数据库运算的性能实用性测试

国际大环境就不用多说了。对于数据库类的关键业务,全国产技术(国产CPU+国产数据库)和国外主流技术在性能上相比还有不小的差距,经常需要借助分布式技术使用数倍的硬件才能获得类似的效果。国产编程语言SPL的问世,可以方便程序员写出(比SQL)更短小简单且计算量更低的代码(针对同样计算任务),能够对采用SQL的主流数据库形成明显的效率和性能优势。这样,在国产CPU上运行用SPL编写的数据库运算,就可能获得在国外CPU上运行SQL数据库的同样性能,甚至大幅超过。从而使数据库运算类的关键业务实现全国产技术替代。本次测

石臻说AI(szzdzhp001) 【原名 石臻臻的杂货铺】 1万+

用 Python 和 uiautomation 实现微信批量发送

思路是这样,将要发送的人员名单(包括称呼)以及发送内容都维护到Excel里,程序运行时读取Excel里内容,自动搜索人员姓名(微信昵称或备注名),填入要发送的内容,拼接上称呼(如果需要的话)自动点击发送,这样轮巡直至名单人员全部发送完成。、

jankingdom的专栏 1471

群晖NAS搭建Git Server避坑指南:从SSH配置到权限管理的完整流程

本文提供了一份详尽的群晖NAS搭建Git Server实战指南。文章从启用并安全配置SSH服务入手,深入解析了用户权限体系设计、SSH连接与仓库初始化、客户端SSH密钥配置等核心步骤,并提供了常见错误排查与生产环境加固方案,帮助开发者成功构建私有、安全的代码托管平台。

rock5的博客 420

「墨哥的X档案」第一期,揭秘国产数据库性能和TCO优化的秘密

墨哥的X档案「墨哥的X档案」是一档揭秘云和恩墨数据技术产品的底层逻辑和技术实现的栏目,每期邀请多位内核研发专家围绕一条技术主线展开分享,内容涵盖国产数据库技术实现、迁移改造案例、生态工具等等。锁定云和恩墨视频号直播间,掌握最新技术动态,预见未来发展趋势!...

weixin_54551388的博客 234

三角洲自动购买工具 —— 基于 OCR 的价格识别与自动点击

通过的方式,我们可以轻松实现自动化的“价格监控 + 自动点击”工具。它的优势在于通用性—— 只要能截屏识别价格,就能用于任何程序,不依赖特定 API。未来可以扩展的功能:自动保存配置到文件。支持多价格区域检测。增加快捷键启停功能。

qq_62975494的博客 2422

300+国产数据库全解析!5大黑马性能超Oracle!

这五款数据库并无绝对的“性能王者”,只有。

全世界的博客 2047

自定义View系列教程04--Draw源码分析及其实践

通过之前的详细分析,我们知道:在measure中测量了View的大小,在layout阶段确定了View的位置。 完成这两步之后就进入到了我们相对熟悉的draw阶段,在该阶段真正地开始对视图进行绘制。按照之前的惯例,我们来瞅瞅View中draw( )的源码 public void draw(Canvas canvas) { final int privateFlags = mPriv

谷哥的小弟 2万+

自定义载板RK3588HDMI输入配置完整解决方案

✅ HDMI输入信号检测✅ 自动时序识别(支持1080p@60Hz等标准格式)✅ V4L2视频设备接口✅ 实时视频流捕获✅ H.264编码录制✅ HDCP内容保护支持问题根因识别:发现了hdmim1模块资源冲突的本质问题硬件设计理解:明确了Orange Pi 5 Plus的真实硬件设计意图功能实现:成功启用HDMI输入功能,替代了无法使用的HDMI1输出完整验证:建立了从硬件检测到视频录制的完整测试流程。

梁俊星的博客 1273

不吹不黑,客观理性深入探讨国产数据库

本篇博文不吹不黑,客观理性深入探讨国产数据库。文中一些数据来自权威的媒体报道。

qq_45732829的博客 5221

keil指定变量存储在外部SRAM

本文介绍在keil工程中如何将程序中的变量定义在外部SRAM,包括sct分散加载文件的配置和启动文件的设置。

kevin1499的博客 2089

揭秘 DB-Engines 排名国产第一的时序数据库 DolphinDB

2025年12月,国产时序数据库DolphinDB在DB-Engines全球排名中跻身前十,成为国产时序数据库第一名。DolphinDB由中国厂商自主研发,采用"流批存"一体化架构,提供存储、查询、实时计算和复杂分析一站式解决方案。其单节点支持每秒千万级数据写入,毫秒级完成数十亿记录查询,微秒级实时计算能力特别适用于金融交易等高要求场景。目前已服务近200家头部企业,涵盖金融、工业物联网等领域。DolphinDB的创新架构融合数据库、流计算和编程语言,消除了数据迁移瓶颈,并通过AI技术持

DolphinDB智臾科技 1263

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

全国产计算数据库性能测试报告---国产数据库性能对比

原文出处:http://c.raqsoft.com.cn/article/1564972044122?r=CGQ 一、 测试背景 由于众所周知的世界经贸形势,拥有全面自主可控的IT解决方案成为摆在国家面前的一项重要任务。但是,由于目前国产芯片的性能还相对较弱,大多只能应用于OA等边缘业务,要用到关键业务中时就必须加大成本以扩大集群规模,这将进一步...

terry_chengq的博客 6924

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

2021年国产数据库12强介绍

2021年国产数据库12强介绍TiDBOceanBaseDMopenGaussPolarDBGaussDBGBaseTDSQLAnalyticDBKingBaseGoldenDBSequioaDB TiDB 厂商:PingCAP 类型:分布式 是否开源:开源 特性 存储与计算分离的架构设计、一键水平扩容或缩容;多副本存储、Multi-Raft协议同步事务日志、金融级高可用;实时HTAP、提供行存储引擎 TiKV 和列存储引擎 TiFlash ;云原生的分布式数据库服务;兼容MySQL 5.7及MySQL

Sebastien23的博客 6306

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

DB-Engines排行榜7月上榜国产数据库情况简介之PolarDB与GBase

连续入选IDC《中国关系型数据库软件市场研究报告》(本地部署国产数据库前列),赛迪顾问《年度平台软件市场研究报告》(保持分析型数据库本土厂商市占率第一,国产数据库前列),《中国金融行业数据库市场研究报告》(用户渗透率第一,在金融业及银行、保险、证券三个细分领域的分布式和集中式均进入榜单)。在全球权威的“DB-Engines排行榜‌”最新发布的7月榜单中,GBase与PolarDB分列上榜国产数据库的第三和第五位,代表了国产数据库在国际数据库行业“流行度”排行的前列水平。

weixin_47390342的博客 1090

DB-Engines排行榜7月上榜国产数据库对比之 TiDB与GBase

GBase系列产品已经已在金融、电信、政务、能源、交通、国防军工等百余个行业上万家用户提供产品和服务,建立节点超过100000个,管理数据总量超过500PB。GBase数据库已连续入选IDC《中国关系型数据库软件市场研究报告》(本地部署国产数据库前列)、赛迪顾问《平台软件市场研究报告》(保持分析型数据库本土厂商市占率第一,国产数据库前列),《中国金融行业数据库市场研究报告》(用户渗透率第一,且是唯一在金融业及银行、保险、证券三个细分领域的分布式和集中式均进入榜单的数据库)。

weixin_47390342的博客 996

为国产数据库补齐 JetBrains Database Tools 生态拼图

本文介绍了作者为解决国产数据库在JetBrains开发工具中的使用体验问题而开发的开源项目"jetbrains-chinese-database-drivers"。文章从实际使用TDengine时遇到的连接问题出发,分析了国产数据库虽然内核能力强大但在开发工具链体验上的不足。该项目通过插件形式实现了国产数据库在JetBrains IDE中的自动注册、驱动配置和连接支持,目前已适配OceanBase、达梦、openGauss等数十种国产数据库。作者希望该项目能提升开发者的使用体验,让国产数据库真正做到"开箱即

夫礼者的专栏 307

国产数据库华为高斯数据库(GaussDB)功能与特点总结

GaussDB是华为自主创新研发的分布式关系型数据库。该产品支持分布式事务,同城跨AZ部署,数据0丢失,支持1000+的扩展能力,PB级海量存储。同时拥有云上高可用,高可靠,高安全,弹性伸缩,一键部署,快速备份恢复,监控告警等关键能力,能为企业提供功能全面,稳定可靠,扩展性强,性能优越的企业级数据库服务。作为一款先进的分布式数据库系统,高斯DB已经成为很多大型企业的首选。它的卓越性能和高度可伸缩性使得它成为难以替代的选项,无论是在数据存储、处理、查询、管理、迁移等各个方面,高斯DB都表现出色。

qq_30713721的博客 4万+

DataBase:信创背景下国产数据库的简介、发展趋势、代表性国产数据库的对比之详细攻略

​ DataBase:信创背景下国产数据库的简介、发展趋势、代表性国产数据库的对比之详细攻略 目录 国产数据库的简介 国产数据库的对比 国产数据库的简介 数据库是计算机设备的三大基石软件之一,与操作系统、中间件并重,在我国信息创新(信创)产业的“IT转型与重构”中扮演着关键角色。作为IT架构的核心,数据库向上支持应用程序,简化数据存储与处理,向下则负责基础设施资源的调配。它能够有序且动态地存储大量数据,具有紧密的数据联系和易于扩展的特性,并提供数据共享服务。数据库产品可分为关系型和非关系型,集中

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 2945

DB-Engines 排行榜7月上榜国产数据库基本情况简介之TDSQL与GBase

连续入选IDC《中国关系型数据库软件市场研究报告》(本地部署国产数据库前列),赛迪顾问《年度平台软件市场研究报告》(保持分析型数据库本土厂商市占率第一,国产数据库前列),《中国金融行业数据库市场研究报告》(用户渗透率第一,在金融业及银行、保险、证券三个细分领域的分布式和集中式均进入榜单)。在全球权威的“DB-Engines排行榜‌”最新发布的7月榜单中,GBase与TDSQL分列上榜国产数据库的第三和第四位,代表了国产数据库在国际数据库行业“流行度”排行的前列水平。

weixin_47390342的博客 711

国产数据库分类总结

企业级分布式数据库(OLTP + OLAP)。注意:AI整理,可能有误,谨慎理解!

2301_81499791的博客 4092

国产数据库对比与分析

通过对以上几款主流国产数据库的对比分析可以看出,‌国产数据库在性能、‌功能、‌兼容性等方面均取得了显著进步。‌随着技术的不断成熟和市场需求的日益增长国产数据库有望在未来实现更大的突破和发展。‌同时,‌我们也应看到国产数据库在市场推广、‌品牌建设等方面仍需继续努力以进一步提升市场竞争力。‌展望未来国产数据库市场将继续保持蓬勃发展的态势。‌随着大数据、‌云计算、‌人工智能等新兴技术的不断融合应用国产数据库将迎来更加广阔的发展空间。

weixin_44616592的博客 3692

崛起中的国产数据库

数据库事关国计民生,是软件领域的关键核心技术,是现代企业和系统中的关键组成部分。中国通信标准化协会此前发布的《数据库发展研究报告(2024年)》显示,2023年全球数据库市场规模首次突破千亿美元,约为1010亿美元,中国数据库市场规模达到74.1亿美元(约合人民币522.4亿元),占全球的7.34%。近年来,腾讯、华为、阿里等企业不断加大对数据库底层关键技术的研发投入,越来越多国产数据库正打破国际厂商长期垄断,赋能千行百业数字转型。无需分库分表,兼容 MySQL 协议,支持 OLTP 和 OLAP。

网络风云的博客 7049

从国产数据库调研报告中你都能了解哪些信息及我的总结建议

‍‍作者 | JiekeXu来源 |公众号 JiekeXu DBA之路(ID: JiekeXu_IT)如需转载请联系授权 |(个人微信 ID:JiekeXu_DBA)大家好,我是 JiekeXu,很高兴又和大家见面了,今天和大家一起来看看从国产数据库调研报告中你都能了解哪些信息及我的总结建议,欢迎点击上方蓝字“JiekeXu DBA之路”关注我的公众号,标星或置顶,更多干货第一时间到达!2023...

JiekeXu的博客 1473
上一篇: 高并发场景下请求合并
下一篇: 微服务是个坏主意吗?
公众号-芋道源码
博客等级 码龄10年 1637粉丝 377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
 
 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