数据、数据库分类

1、概述

• 数据库主要分为关系型数据库（如MySQL、Oracle）和非关系型数据库（NoSQL，如MongoDB、Redis），其中NoSQL又包括键值存储、文档数据库、列存储、图数据库等类型。
• 数据则分为结构化数据（如表格数据）、半结构化数据（如JSON、XML）和非结构化数据（如文本、图像、视频）。

2、数据库的主要类型

数据库的分类维度较多，主流是按数据模型划分，不同类型的数据库针对不同的数据存储和访问场景设计，核心类型如下：

关系型数据库（RDBMS）

• 核心特点：基于关系模型（二维表结构），数据以行（记录）和列（字段）的形式存储，遵循 ACID（原子性、一致性、隔离性、持久性）原则，支持 SQL（结构化查询语言），强调数据的一致性和完整性。
• 典型产品：MySQL、Oracle、PostgreSQL、SQL Server。
• 适用场景：需要事务支持、数据强一致性、结构化查询的场景。

非关系型数据库（NoSQL）

这类数据库不依赖传统的关系模型，为应对大规模、高并发、非结构化 / 半结构化数据场景而生，主要分为以下子类：

新型数据库

• 时序数据库：专为时间戳关联的数据设计，支持高吞吐写入和按时间范围的快速查询，典型产品：InfluxDB、TimescaleDB，适用于物联网传感器数据、监控指标、金融交易流水。
• 向量数据库：存储和检索向量数据（如 AI 模型生成的嵌入向量），支持相似度计算，典型产品：Milvus、Pinecone，适用于图像 / 文本检索、推荐系统、大模型知识库。

3、数据的主要类型

从数据结构和业务属性划分，数据可分为以下几类，与数据库类型的匹配是选型的核心逻辑。

结构化数据

• 定义：数据格式固定、有明确的结构，可直接映射为二维表的行和列。
• 示例：用户 ID、订单编号、商品价格、出生日期、性别。
• 适合的数据库：关系型数据库（如 MySQL、Oracle）。
• 匹配逻辑：结构化数据的强规范性与关系型数据库的表结构、约束（主键、外键、唯一性约束）高度契合，SQL 查询能高效完成多表关联、聚合分析。

半结构化数据

• 定义：数据有一定结构，但结构不固定或可扩展，支持嵌套和灵活字段。
• 示例：JSON 格式的用户信息（含基础字段 + 可选的扩展字段）、XML 文档、日志数据。
• 适合的数据库：文档型数据库（如 MongoDB）、部分支持灵活 Schema 的关系型数据库（如 PostgreSQL 的 JSONB 类型）。
• 匹配逻辑：文档型数据库无需预先定义表结构，可直接存储嵌套的半结构化数据，支持按文档内字段查询，比关系型数据库更灵活。

非结构化数据

• 定义：无固定格式，无法直接用二维表表示的数据。
• 示例：图片、音频、视频、PDF 文档、纯文本日志、自然语言文本。
• 适合的数据库：
  • 直接存储：对象存储（如阿里云 OSS、AWS S3）+ 元数据存储（关系型 / 文档型数据库）；
  • 检索分析：若需提取特征或检索，可结合向量数据库（如 Milvus，将非结构化数据转为向量后存储）。
• 匹配逻辑：非结构化数据体积大、结构无规律，传统数据库难以高效存储和检索，对象存储负责低成本海量存储，元数据 / 向量数据库负责管理检索维度。

时序数据

• 定义：与时间强关联、按时间顺序产生的连续数据，具有高写入、高查询频率的特点。
• 示例：服务器 CPU 使用率、物联网设备的温度读数、股票价格波动、用户行为日志。
• 适合的数据库：时序数据库（如 InfluxDB、TimescaleDB）、列族型数据库（如 HBase）。
• 匹配逻辑：时序数据库针对时间维度做了特殊优化，支持按时间范围的快速聚合查询，比关系型数据库的写入和查询效率高 10 倍以上。

关系型数据

• 定义：核心价值在于实体之间的关联关系，而非单个实体的数据本身。
• 示例：社交网络中用户的关注关系、知识图谱中 “疾病 - 症状 - 药物” 的关联、地图中的 “地点 - 路线 - 交通方式” 关系。
• 适合的数据库：图形数据库（如 Neo4j）。
• 匹配逻辑：关系型数据库查询多实体关联时需多次多表 Join，效率极低；图形数据库以节点和边直接存储关系，查询 “用户的好友的好友” 这类多层关系时，速度远超传统数据库。

4、数据类型与数据库类型的匹配总结表

参考文档：

https://xixingzhe.blog.csdn.net/article/details/149279707?spm=1011.2415.3001.5331