Druid对接OBS 概述 Druid专为需要快速数据查询与摄入的工作流程而设计，在即时数据可见性、即席查询、运营分析以及高并发等方面表现非常出色。 通过HDFS接口对接OBS，使用OBS提供的OBSA-HDFS工具，无需重新编译druid，将OBS配置为deep storage。

查看更多 →

提高计算效率，有助于加速超过PB数量级的数据查询，可用于更快的交互查询。同时，CarbonData也是一种将数据源与Spark集成的高性能分析引擎。 图1 CarbonData基本架构 使用CarbonData的目的是对大数据即席查询提供超快速响应。CarbonData是一个OL

查看更多 →

报表，并发通常要求成千上万的QPS ，查询延时要求亚秒级响应。电商公司在广告报表中使用Doris ，每天写入100亿行数据，查询并发QPS上万，99分位的查询延时150ms。 即席查询（Ad-hoc Query）：面向分析师的自助分析，查询模式不固定，要求较高的吞吐。Doris构建了增长分析平台（Growing

查看更多 →

CloudTable提供基于Doris全托管的实时数仓服务，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也可以支持高吞吐的复杂分析场景。因此，Doris能够较好的满足报表分析、即席查询、统一数仓构建、 数据湖 联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB实验平台、

查看更多 →

CloudTable提供基于Doris全托管的实时数仓服务，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也可以支持高吞吐的复杂分析场景。因此，Doris能够较好的满足报表分析、即席查询、统一数仓构建、数据湖联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB实验平台、

查看更多 →

。 强大的工具化数据分析平台 在统一管理海量的各种数据基础之上，对上层提供开箱即用的GUI即席查询工具。在此之上用户使用数据查询DSL就可以直接进行灵活、高度定制化的数据查询工作。即席查询工具还提供了丰富的 数据可视化 功能以提供更有表现力的数据分析结果。 丰富的数据分析应用 为了适

查看更多 →

储。如果表的字段个数比较少，查询大部分字段，那么选择行存储比较好。 存储类型 适用场景 行存 点查询(返回记录少，基于索引的简单查询)。 增、删、改操作较多的场景。 列存 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 行存表

查看更多 →

Teradata是一种关系数据库管理系统。它可用于同时运行多个复杂查询。它支持使用SQL的即席查询，并广泛用于管理大型仓储操作。 表 紧密相关的列的集合。表由包含相同列的不同值的行组成。 V 视图 视图限制对表的特定行或列的访问。视图可以从一个或多个表中创建，并且由用于创建视图的查询决定。 父主题： DSC

查看更多 →

储。如果表的字段个数比较少，查询大部分字段，那么选择行存储比较好。 存储类型 适用场景 行存 点查询(返回记录少，基于索引的简单查询)。 增、删、改操作较多的场景。 列存 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 行存表

查看更多 →

列数据特征比较相似，能够更有效地进行数据压缩。 不适合少量数据INSERT或UPDATE操作。 表的字段比较多（大宽表），查询中涉及到的列不多。 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 创建一个行存表 例如，创建一个名为customer_t1的行存表：

查看更多 →

列数据特征比较相似，能够更有效地进行数据压缩。 不适合少量数据INSERT或UPDATE操作。 表的字段比较多（大宽表），查询中涉及到的列不多。 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 创建一个行存表 例如，创建一个名为customer_t1的行存表：

查看更多 →

据请参考表1。 表1 表的存储类型及场景 存储类型 适用场景 行存 点查询（返回记录少，基于索引的简单查询）。 增、删、改操作较多的场景。 列存 统计分析类查询 （关联、分组操作较多的场景）。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 选择分区方案 当表中的数据量很大

查看更多 →

列数据特征比较相似，能够更有效地进行数据压缩。 不适合少量数据INSERT或UPDATE操作。 表的字段比较多（大宽表），查询中涉及到的列不多。 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 创建一个行存表 例如，创建一个名为customer_t1的行存表：

查看更多 →

据请参考表1。 表1 表的存储类型及场景 存储类型 适用场景 行存 点查询(返回记录少，基于索引的简单查询)。 增、删、改操作较多的场景。 列存 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 选择分布方案 【建议】表的分布方式的选择一般遵循以下原则：

查看更多 →

Doris是基于MPP架构的高性能、实时的分析型数据库，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也可以支持高吞吐的复杂分析场景。因此，Doris能够较好的满足报表分析、即席查询、统一数仓构建、数据湖联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB实验平台、

查看更多 →

以指定存储模式： 行模式：表的数据将以行式存储，适用于点查询（返回记录少，基于索引的简单查询），或者增删改比较多的场景。 列模式：表的数据将以列式存储，适用于统计分析类查询（group、join多的场景），或者即席查询（查询条件不确定，行模式表扫描难以使用索引）的场景。 行模式 导入模式

查看更多 →

据请参考表1。 表1 表的存储类型及场景 存储类型 适用场景 行存 点查询(返回记录少，基于索引的简单查询)。 增、删、改操作较多的场景。 列存 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 选择分布方案 【建议】表的分布方式的选择一般遵循以下原则：

查看更多 →

列数据特征比较相似，能够更有效地进行数据压缩。 不适合少量数据INSERT或UPDATE操作。 表的字段比较多（大宽表），查询中涉及到的列不多。 统计分析类查询 (关联、分组操作较多的场景)。 即席查询（查询条件不确定，行存表扫描难以使用索引）。 选择分布方案 【建议】表的分布方式的选择一般遵循以下原则：

查看更多 →

特点被人们所熟知，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也能支持高吞吐的复杂分析场景。基于此，Apache Doris能够较好的满足报表分析、即席查询、统一数仓构建、数据湖联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB实验

查看更多 →

以指定存储模式： 行模式：表的数据将以行式存储，适用于点查询（返回记录少，基于索引的简单查询），或者增删改比较多的场景。 列模式：表的数据将以列式存储，适用于统计分析类查询（group、join多的场景），或者即席查询（查询条件不确定，行模式表扫描难以使用索引）的场景。 行模式 导入模式

查看更多 →

特点被人们所熟知，仅需亚秒级响应时间即可返回海量数据下的查询结果，不仅可以支持高并发的点查询场景，也能支持高吞吐的复杂分析场景。基于此，Apache Doris能够较好的满足报表分析、即席查询、统一数仓构建、数据湖联邦查询加速等使用场景，用户可以在此之上构建用户行为分析、AB实验

查看更多 →