数据库类型
了解不同类型的数据库及其工作原理。
在构建您的数据栈时，有许多数据库和数据源可供选择。这里为您梳理了 Metabase 支持的主要数据库，无论您是数据领域的新手还是需要复习。
全能型主力：传统关系型数据库管理系统
包括：Microsoft SQL Server, MySQL, Oracle Database, PostgreSQL
这四种关系型数据库管理系统（RDBMS）都已存在数十年，能够很好地满足全方位的数据库需求——插入记录、读取、更新、删除记录。在这四种中，MySQL 和 PostgreSQL 是开源的。
如果您的组织时间或资源有限，或者缺乏数据专家来构建ETL，那么像MySQL、Postgres、SQL Server 或Oracle Database这样的关系型数据库系统是一个很好的选择。许多使用 Metabase 的组织直接连接到他们的关系型数据库，以便立即获得洞察。这些数据库非常适合用作您软件的应用程序数据库。Metabase 软件可以使用 Postgres 或 MySQL 作为其生产数据库。
传统关系型数据库可以轻松处理数十万条记录的分析查询，但如果您的组织需要大规模扩展——例如数百万条记录或更多——您可能会遇到 RDBMS 的瓶颈。这在很大程度上取决于您的数据仓库的配置方式，以及您是否使用 ETL 流程来聚合数据，从而减少数据库需要读取的行数。
这四种系统都是事务性数据库，并非专门为分析查询而构建。虽然您可以通过这四种引擎中的任何一种来执行分析查询，但这可能需要大量的额外硬件（额外的 RAM、CPU 和更快的磁盘）才能跟上数据量增长的步伐，而这会很快变得非常昂贵。随着您扩展规模和分析查询变得越来越复杂，它们可能会运行缓慢，无论您投入多少硬件。届时，您可能需要考虑其他专门为大数据和分析查询设计的技术。
查询大数据：数据仓库
包括：BigQuery, Redshift, Snowflake, Vertica
数据仓库非常适合对大量数据执行分析查询。像BigQuery、AWS Redshift、Snowflake和Vertica这样的产品能够处理大数据，因为它们由海量并行引擎驱动，使得跨海量数据源的分析查询更加易于管理。这些数据仓库的运作方式略有不同，但当您想运行查询时，它们会利用并行化将数据分割并聚合结果，然后再返回您的查询。这些数据仓库还依赖于列式存储（按列而不是按行存储数据）来加速分析操作，因为这可以避免数据库扫描与当前查询无关的行内信息。
您需要为执行查询时使用的资源付费，但将数据插入这些仓库也很昂贵。如果您的组织需要实时数据（或接近实时），那么像这样的数据仓库不是最有效的，因为它们在添加新数据时需要重新索引，这需要时间。
虽然 BigQuery、Redshift 和 Snowflake 仅限云端使用，但 Vertica——它是开源的——可以在云端或本地运行。
实时分析数据库
包括：Druid
像 Druid 这样的数据库（一个开源产品）吸引那些需要即时查询数据的组织。使用实时数据库，您可以在数据进入数据引擎后立即运行分析查询，无需额外的处理或长时间的等待。
如果您的业务模式依赖于利用实时数据的能力（例如，金融服务或信息安全），那么像 Druid 这样的数据库值得探索。但是，管理实时数据管道可能会很复杂——在生成数据的源头与数据通过管道中各种工具的处理过程之间，有很多环节可能出现问题。考虑到这些系统的复杂性，尤其是在处理大量数据时，有人员负责监督您的实时数据库将大有帮助。
用于临时分析：基于文件的数据库
包括：SQLite, H2
SQLite 和 H2 与 MySQL 或 Postgres 等传统 RDBMS 类似——这两种类型都是关系型数据库——但基于文件的数据库在数据库端没有服务器。这些类型不是用于优化数据库的代码，而是一个存在于您计算机上的文件。如果您使用 Metabase，您会将 SQLite 数据库存储在 Metabase 服务器的同一个位置，以便 Metabase 可以利用它进行分析。
基于文件的数据库非常适合嵌入式应用和临时分析——例如不需要大量实时数据的单次查询。虽然 SQLite 是全球部署最广泛的数据库（很大程度上归功于其简洁性），但基于文件的数据库在复杂分析方面的使用是有限的，并且基于文件的数据库可能不是您希望保留实时数据的地方。
查询引擎
包括：SparkSQL, Presto
查询引擎本身并不是数据库，而是位于您的数据和最终结果之间。SparkSQL 和 Presto 是两个开源引擎，可以从多种来源（包括实时数据）摄取和查询数据。
与上面讨论的云数据仓库类似，Spark 和 Presto 等引擎大致按照以下步骤执行大数据分析查询
- 首先将工作分成较小的作业。
- 并行化查询——即，在这些较小的作业中同时运行它。
- 聚合这些结果。
- 最后，交付您原始查询的结果。
文档数据库
包括：MongoDB
虽然以上所有选项都包含某种关系元素，但像MongoDB这样的非结构化 NoSQL 数据库的工作方式不同。MongoDB 不以表的形式存储数据，而是将数据保存在“文档”的“集合”中，并允许您查询这些文档，而这些文档通常是 JSON 文件。这意味着您保存在集合中的文档可以是相同或完全不相关的，但没有原生方法可以像关系数据库中的表那样连接它们。
与关系型数据库不同，MongoDB 很容易分片。这意味着您可以将集合的不同部分存储在完全独立的节点（数据库的物理实例，如独立的服务器或计算机）中，这有助于扩展数据库。