支持列式存储的数据库包括HBase、Cassandra、Hypertable等。 列式存储的原理和优势 列式存储是一种数据存储方式，将数据按列而不是按行进行存储。这种方式与传统的行式存储相比，有着其独特的优势。在大数据处理和分析场景中，列式存储由于其更高的数据压缩率和更高效的聚合操作能力，被广泛使用。
Parquet是Hadoop生态圈中的主流列式存储格式，支持嵌套数据模型和多种语言及数据处理框架。它通过支持嵌套结构的数据模型，能够更好地处理对象模型，如Protobuf、thrift和JSON等。Parquet格式提供了一种高效的方式存储和查询数据，特别适用于大数据分析和处理场景。
列式数据库有：Apache Doris、ClickHouse、AnalyticDB等。 Apache Doris是一个MPP架构的快速列式存储数据库。它的设计主要为了提供快速的SQL查询和分析数据的能力。在数据存储方面，它采用列式存储技术，这使得在处理大量聚合类查询时，性能得到显著提升。
关系型数据库 关系型数据库是应用最广泛的数据库之一，如MySQL、Oracle、SQL Server等。它们采用关系模型来组织数据，将数据存储在表中，通过行和列的形式来存储数据。其中，列指的是数据表中的一个字段。这类数据库适合处理大量的结构化数据，支持复杂的数据查询和操作。
ClickHouse的数据存储采用列式结构，主键和排序键被用于创建稀疏索引，这有助于快速过滤数据。数据被划分为逻辑上的granule，以流式传输方式处理。索引文件如primary.cidx仅存储数据的开始位置，大大节省空间。而标记文件（mrk）则用于定位数据在磁盘上的物理位置。
列式数据库是以列相关存储架构进行数据存储的数据库，主要适合与批量数据处理和即席查询。GBase8a分析型数据库的独特列存储格式，对每列数据再细分为“数据包”。这样可以达到很高的可扩展性：无论一个表有多大，数据库只操作相关的数据包，性能不会随着数据量的增加而下降。
HBase 是 Hadoop 数据库的一种，它旨在处理大量数据。与传统的关系数据库不同，HBase 专门处理稀疏的、多维的、非结构化的数据。HBase 通过键值存储方式存储数据，主键是整个数据集唯一的标识符。它具有巨大的扩展性和数据管理能力，特别是在处理大规模数据集时表现出色。
HBase的主要用途是作为大数据存储系统，用于存储非结构化和半结构化的稀疏数据。 大数据存储：HBase是一个分布式、可伸缩的大数据存储系统，能够存储数十亿行甚至更多的数据。它不同于传统的关系型数据库，不需要预先定义数据结构，因此非常适合存储大量且快速变化的数据。
HBase是一种构建在HDFS之上的分布式、面向列的存储系统。在需要实时读写、随机访问超大规模数据集时，可以使用HBase。尽管已经有许多数据存储和访问的策略和实现方法，但事实上大多数解决方案，特别是一些关系类型的，在构建时并没有考虑超大规模和分布式的特点。
大数据处理的技术栈共有四个层次，分别是数据采集和传输层、数据存储层、数据处理和分析层、数据应用层。数据采集和传输层：这一层主要负责从各种数据源收集数据，并将数据传输到数据中心。常用的技术包括Flume、Logstash、Sqoop等。
技术栈的具体内容取决于应用程序的类型、需求和开发语言等因素，一般包括以下几个方面：操作系统：如Windows、Linux、macOS等。开发语言：如Java、Python、JavaScript、C#等。后端框架：如Spring、Django、Flask、Express等。前端框架：如React、Angular、Vue等。数据库：如MySQL、PostgreSQL、MongoDB等。
数据分析层涵盖传统的数据仓库、OLEP、商务智能技术，以及实时数据处理、分析框架等现代技术。数据可视化层提供多种精美的可视化框架，助力数据分析成果的展现。结合以上内容，大数据技术体系复杂多样，不同层次解决不同问题。本文概述了大数据技术的基本架构和典型技术栈，旨在帮助您快速入门。
Sensors Analytics（神策分析）产品构建于多个主流开源技术之上，包括Hadoop、Spark、Kafka、MySQL、Redis、jQuery与Impala等，并在部分组件上进行了源码级的定制。我们的技术栈不仅依赖开源社区，还结合自主研发的核心业务组件。
1、HBase基于谷歌BigTable，是一个分布式、面向列、高性能、可伸缩的数据库，专门用于存储非结构化和半结构化的稀疏数据。其利用MapReduce模型处理数据，底层支持GFS作为存储系统，通过Chubby协同服务管理。BigTable与HBase对比表列出了两者的关键区别，包括数据存储、数据处理、协同服务等。
2、HBase核心知识与面试问题解析HBase基础与架构HBase是用于存储海量结构化与半结构化数据的分布式、面向列的key-value存储系统。它基于Google Bigtable实现，但在底层存储、数据处理引擎及协同服务方面有所不同。
3、不管什么岗位，都需要对hadoop的原理以及存储有了解，你需要多看看，原理很重要，如果面试官知道你没怎么有过开发经验，但是你的原理很透彻，他一定会欣赏你觉得你是个可造至之才。
4、Java是必问的，不过问的不深，把Javase部分吃透，足以应付Java部分的面试。（2）Hadoop生态，Yarn、Zookeeper、HDFS这些底层原理要懂，面试经常被问。（3）Mapreduce的shuffle过程这个也是面试被常问的。（4）Hbase和HIve，搞大数据这些不懂真的说不过去。
5、在数据摄取之后，下一步是存储提取的数据。数据存储在HDFS或NoSQL数据库（即HBase）中。HDFS存储适用于顺序访问，而HBase适用于随机读/写访问。III、数据处理 部署大数据解决方案的最后一步是数据处理。数据通过Spark，MapReduce，Pig等处理框架之一进行处理。
6、CAP 原理中，有三个要素： CAP 原理指的是，这三个要素最多只能同时实现两点，不可能三者兼顾。 因此在进行分布式架构设计时，必须做出取舍。而对于分布式数据系统，分区容忍性是基本要求 ，否则就失去了价值，因此设计分布式数据系统，就是在一致性和可用性之间取一个平衡。
HBase的特点：高可靠性：HBase设计之初就考虑到了集群的可靠性，数据可以存储在大量的服务器上，即使部分服务器发生故障，数据也不会丢失。这种分布式架构保证了数据的可靠性。高性能的读写能力：HBase采用列存储的方式，能够实现对数据的快速读写操作。
HBase的特点不包括面向行存储。HBase是一个高可靠性、高性能、面向列（column-oriented）的分布式存储系统，但它并不支持直接的面向行（row-oriented）存储。在HBase中，数据按照列族进行组织和存储，可以根据需要动态地添加新的列。这种设计使得HBase非常适合处理大规模数据集和实时查询需求。
总的来说，HBase是一个非常适合处理大规模数据的分布式数据库，它具有简单、可靠、可扩展和高性能的特点。
Hbase是一个面向列存储的分布式存储系统，它的优点在于可以实现高性能的并发读写操作，同时Hbase还会对数据进行透明的切分，这样就使得存储本身具有了水平伸缩性。通常，顺序读取数据要比随机访问更快。
hbase和hive的主要区别是：他们对于其内部的数据的存储和管理方式是不同的，hbase其主要特点是仿照bigtable的列势存储，对于大型的数据的存储，查询比传统数据库有巨大的优势，而hive其产生主要应对的数据仓库问题，其将存在在hdfs上的文件目录结构映射成表。主要关注的是对数据的统计等方面。
首先，我们可以根据HBase的业务特点，即读多写少还是写多读少来分配读写的比例：HBase 中的相关配置如下：该值在HBase中默认为0，代表读写资源不分离。如果将 hbase.ipc.server.callqueue.read.ratio 设置为0.5，则表示有50%的线程数处理读请求，剩余50%用于接收写请求。
1、分布式特性 HBase 是分布式的，这意味着它的数据分布在多台服务器之间，能够实现负载均衡和高可用性的数据服务。这一特性使得 HBase 在处理大量数据时的性能优于单机数据库。此外，由于其运行在 Hadoop 上，可以利用 Hadoop 的分布式文件系统进行数据存储和备份。
2、行键：每行都有唯一的行键，行键没有数据类型，它内部被认为是一个字节数组。列簇：数据在行中被组织成列簇，每行有相同的列簇，但是在行之间，相同的列簇不需要有相同的列修饰符。在引擎中，HBase将列簇存储在它自己的数据文件中，所以，它们需要事先被定义，此外，改变列簇并不容易。
3、分区容错性：HBase是一个分布式数据库，在设计时就考虑了分区容错性，通过数据的分布式存储和副本机制来保证数据的可靠性和容错性。当系统出现分区时，HBase可以通过副本机制来保证数据的可用性。