【学习笔记】数据库大家族：关系非关系？时序、图、向量？
·
【学习笔记】数据库大家族：关系非关系？时序、图、向量？
一、 前言：为什么数据库越来越多了？
曾几何时，只要会用一个 MySQL 就能走遍天下。但随着大数据和 AI 时代的到来，数据形态发生了巨变。
现在的数据库不再只是单纯的“存数据”，而是要针对特定的数据结构和查询逻辑进行深度定制。本文将带你理清数据库的分类逻辑，一张图看懂它们的关系。
二、 核心分类逻辑
数据库的分类并非平行关系，而是层级递进的。
- 第一层（基础架构）：分为 关系型（RDBMS） 和 非关系型（NoSQL）。这是存储范式的区别。
- 第二层（垂直细分）：在 NoSQL 的基础上，为了应对 IoT、AI、社交网络等极端场景，演化出了 时序、向量、图 这三大“特种兵”数据库。
1. 数据库家族树
下面的图表展示了它们之间的从属关系和代表产品：
三、 五大数据库核心维度对比
为了更直观地理解它们的差异，我们从数据结构、查询逻辑和应用场景三个维度进行对比。
| 数据库类型 | 底层数据结构 | 核心查询逻辑 | 典型应用场景 |
|---|---|---|---|
| 关系型数据库 (Relational) |
二维表格 （行与列，Schema 严格） |
精确匹配与联表计算 （基于 SQL 的等值查询、聚合） |
电商交易、ERP、金融账务 (强一致性事务场景) |
| 时序数据库 (Time-Series) |
时间序列点 （时间戳 + 指标值） |
时间窗口聚合 （按区间提取趋势、平均值） |
服务器监控、IoT 传感器 (高并发写入、按时间查询) |
| 向量数据库 (Vector) |
高维浮点向量 （AI 特征数组） |
相似度计算 （余弦相似度、欧氏距离） |
大模型记忆、以图搜图 (AI 语义理解与模糊匹配) |
| 图数据库 (Graph) |
节点与边 （实体 + 关系） |
深度优先遍历 （顺着关系链多跳查询） |
社交推荐、反欺诈 (复杂关联网络分析) |
| 通用 NoSQL (Key-Value/Doc) |
灵活结构 （JSON/BSON/Key-Value） |
基于 Key 的简单检索 （牺牲复杂查询换扩展能力） |
商品详情页、缓存 (数据结构多变场景) |
四、 总结与选型建议
在实际架构中，它们通常是共存的，而非互相取代：
- 核心业务数据（订单、用户余额）：必须用 关系型数据库（如 MySQL/PostgreSQL），保证不出错。
- 监控与日志（CPU 负载、设备上报）：必须用 时序数据库（如 Prometheus），因为它们写得多、查得快。
- AI 与搜索（知识库、推荐）：必须用 向量数据库（如 Milvus/pgvector），这是传统 SQL 做不到的。
- 复杂关系（社交好友、资金链路）：必须用 图数据库（如 NebulaGraph），解决“六度人脉”难题。
一句话总结：关系型保底线，NoSQL 管扩展，特种数据库解决特定痛点。
下一篇预告：我们将深入探索 PostgreSQL，看看这个“全能型选手”是如何通过插件化身时序、向量和图数据库的。
传送门🚀-PostgreSQL：不只是关系型，更是 AI 时代的“数据底座”
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
7
0- 0
已为社区贡献1条内容
所有评论(0)