🔬
Business-system analyst roadmap
  • Roadmap
  • Бизнес-системные аналитики
  • От автора
  • Будущее профессии бизнес и системного аналитика: вызовы, тренды и компетенции будущего
  • Глобальные тенденции занятости IT аналитиков (2025–2030)
  • Базовые знания
    • Гибкие навыки (Soft skills)
      • Анализ (Analysis)
      • Логическое мышление (Logics)
      • Креативность (Creativity)
      • Критическое мышление (Critical thinking)
      • Аналитическое мышление (Analytical thinking)
      • Системное мышление (Systems thinking)
      • Быстрая адаптация (Fast adaptation)
      • Язык и грамматика (Language and literacy)
      • Навыки коммуникации (Сommunication skills)
      • Предметные области (Domain knowledge)
      • Память (Memory)
      • Демонстрации (Demo)
      • Интервью (Interview)
    • Требования (Requirements)
      • Уровни и типы требований
        • Пример: «Создание быстрого заказа»
      • Разработка и управление требований
      • Документирование требований
      • Методы сбора требований
    • Проектирование (Engineering/Design)
      • UX/UI
      • Инструменты проектирования
    • Процесс (Process)
      • Управление и оптимизация бизнес процесса
      • Моделирование процессов
      • Описание процессов
      • Система управления процессами (BPM)
    • Нотации (Notations)
      • UML
      • BPMN
      • ERD
      • Flowchart
      • EPC
      • DFD
    • Документирование (Documentation)
      • Системы управления знаниями (Knowledge Management Systems)
      • Системы контроля версий (Version Control Systems, VCS)
      • requirements‑as‑code
    • Управление продуктом (Product managment)
    • Жизненный цикл программного продукта (Product Development Life Cycle)
      • Методологии разработки программного продукта
    • UX/UI
      • Подробнее о UX/UI
  • Технические навыки
    • Работа с данными (Work with Data)
      • Модель данных
      • Базы данных
        • Реляционные базы данных(Relational Databases)
          • SQL
        • NoSQL databases
        • Графовые базы данных (Graph Databases)
        • Документоориентированные базы данных (Document Databases)
        • Колоночные базы данных (Columnar Databases)
      • ETL
      • Файловое хранилище (File storage)
      • Визуализация данных (Data visualization)
      • Форматы данных (Data formats)
    • Компьютерные сети (Internet)
      • Как работает интернет (How does the internet work)
      • Модели OSI/ISO и TCP/IP
      • HTTP/HTTPS
      • DNS
      • Browser
      • Домены и URI (Domain and URI)
      • Хостинг
    • Разработка (Development)
      • GIT (VCS)
      • Backend
      • Frontend
    • API & Интеграции (API & Integration)
      • Synchronicity / Asynchrony
      • REST
      • SOAP
      • gRPC
      • GraphQL
      • WebSocket
      • Authentication
      • Open API
      • Message broker
      • Contract first / Code first
      • System Integration Patterns
    • Архитектура (Architecture)
      • Serverless
      • Microservices
      • Client/Server
      • Layered
      • Паттерны проектирования (Design patterns)
      • DDD
Powered by GitBook
On this page
  1. Технические навыки
  2. Работа с данными (Work with Data)
  3. Базы данных

Колоночные базы данных (Columnar Databases)

Колоночные базы данных (Columnar Databases), также известные как колоночно-ориентированные базы данных, представляют собой тип баз данных, где данные хранятся и организуются по колонкам, в отличие от традиционных реляционных баз данных, где данные хранятся по строкам.

Основные особенности колоночных баз данных:

  1. Организация по колонкам: В колоночных базах данных данные хранятся в виде группированных по колонкам значений. Это позволяет эффективное сжатие данных, так как значения в колонках часто повторяются и могут быть хорошо сжаты. Кроме того, такая организация данных позволяет быстро и эффективно извлекать только те колонки, которые необходимы для выполнения конкретного запроса, что улучшает производительность.

  2. Высокая производительность: Колоночные базы данных обычно обеспечивают высокую производительность для аналитических запросов и агрегирования данных. Поскольку данные хранятся по колонкам, а не по строкам, запросы, которые требуют чтения только определенных колонок, могут быть выполнены более эффективно. Это особенно полезно для аналитических и OLAP (Online Analytical Processing) операций, где требуется обработка больших объемов данных.

  3. Горизонтальное масштабирование: Колоночные базы данных обладают возможностью горизонтального масштабирования, позволяя распределить данные и нагрузку на несколько серверов или узлов. Это позволяет обрабатывать большие объемы данных и обеспечивать высокую производительность.

  4. Поддержка сжатия данных: В колоночных базах данных, благодаря организации данных по колонкам, можно эффективно применять сжатие данных. Повторяющиеся значения в колонках могут быть сжаты, что позволяет сэкономить место на диске и улучшить производительность при чтении и записи данных.

Примеры популярных колоночных баз данных включают Apache Cassandra, Apache HBase, Google Bigtable и Amazon Redshift. Они широко применяются в области аналитики, OLAP-систем, хранилищ данных и других сценариев, где требуется обработка больших объемов данных и аналитические запросы.

PreviousДокументоориентированные базы данных (Document Databases)NextETL

Last updated 1 year ago