- 应用场景：Greenplum适用TB级别数据仓库、集市、ODS、交互式分析数据平台等系统。 不适用于极短的时间处理大量的并发小任务(OLTP)。
- 优点：Master-Slave架构、ShareNothing体系、采用Postgresql作为底层引擎
- 缺点：
1.扩展性差：数据采用Hash分布在各个节点，计算节点和存储紧密耦合，在增加节点后，需要对数据做重分布才能保证数据与节点的紧耦合（重新hash数据），进而保证系统的性能。相反，Hadoop的节点和数据是没有耦合关系的。
2.MPP数据库节点宕机时，系统的性能损耗大于Hadoop节点
- 应用场景：
成熟的数据分析主题，查询模式已经确立并且不轻易改变。
传统型关系型数据已经无法承受负荷，高速插入，大量读取。
适合海量的，但同时也是简单的操作。(key-value),不支持JOIN等复杂关 联。
- 优点：分布式的，面向列的开源数据库、键值是排序的、按列存储的。
- 缺点：不支持JOIN等复杂查询，Hbase中不能脱离行键进行查询，需要经过良好的行键设计。
- 为什么Hbase快?
通过rowkey可以快速地位到在那个Region上;键是排好序的;3、按列存储的;
- 应用场景：
存储缓存用的数据
需要高速读/写的场合使用它快速读/写
- 优点：完全基于内存，绝大部分请求是纯粹的内存操作，非常快速; 采用单线程; 使用多路I/O复用模型，非阻塞IO;
- 缺点：1.数据量太大不适合;2.数据访问频率太低不适合;
- 应用场景：分布式的搜索引擎和数据分析引擎;对海量数据进行近实时的处理;全文检索，结构化检索，数据分析
- 优点：将全文检索、数据分析以及分布式技术，合并在了一起，才形成了独一无二的ES；
- 缺点：占用内存等资源较多。
- 应用场景：
解决MySql单表数据量过大导致查询及处理性能低下、以及单机资源的限制。
- 优点：相比来说，可利用多服务器的计算资源，及避免数据集中存储，提高性能。
- 缺点：需要引入Mycat/Sharding Jdbc中间件；跨库查询性能低下，MyCat仅支持两张表Join