数据库全景与选型：从 MySQL、Doris 到向量数据库

Sun, 08 Nov 2026 10:00:00 +0800

订单状态刚刚从“待付款”变成“已付款”，用户要立即看到结果；运营同时想知道，过去一个月每个渠道的成交额是多少。这两次查询可能来自同一份订单数据，数据库面对的工作却很不一样：一次修改少量记录，一次读取大量记录并聚合。

MySQL、Apache Doris、ClickHouse 都能写 SQL，但它们优化的目标不同。把它们放在一起比较，需要先说清楚业务在做什么，再讨论存储方式、事务、更新和扩容。

这篇文章面向需要理解数据库、为项目选型的开发者。先建立分类框架，再重点拆解 MySQL、PostgreSQL、Doris 和 ClickHouse，接着介绍 Redis、MongoDB、搜索、时序、图和向量数据库，最后用一个电商系统说明它们如何协作。文中的架构是教学示例，选型建议是基于工作负载的判断，不是性能实测排名；产品能力以所链接版本的官方文档为准。

一、先问数据库需要回答什么问题

1. OLTP：把一笔业务办对

OLTP（Online Transaction Processing，联机事务处理）关心订单创建、账户变更、库存扣减等操作。一次请求通常只涉及少量记录，但并发请求之间可能竞争同一份数据。

例如“创建订单并预占库存”：如果订单写入成功、库存预占失败，业务就进入了不一致状态。数据库事务可以把一组操作组织成一个提交或回滚单元，但库存不能为负、请求不能重复扣减等业务规则，仍要通过条件更新、约束、隔离级别和幂等设计来落实。

2. OLAP：从大量记录中算出答案

OLAP（Online Analytical Processing，联机分析处理）关心趋势、分组、排行和多维分析。例如按日期、渠道、品类统计销售额，可能扫描大量订单，再关联商品和渠道维表。

这类查询往往只读取表中的少数列，却要处理很多行。它需要高效扫描、压缩、聚合和并行计算。MySQL、PostgreSQL 也能做分析，数据量和资源消耗尚可时，直接写 SQL 通常就足够；当报表开始影响交易请求，才需要进一步拆分。

3. 检索：找到相关内容

搜索商品名、查找相似文档、沿关系寻找共同联系人，分别对应全文检索、向量检索和图遍历。它们的主要成本来自索引和访问路径，与“按主键找一条订单”不同。

图 1：三个维度可以组合。关系型数据库也能提供 JSON 和向量能力，嵌入式数据库也可以面向分析。

4. 分类名称并不处于同一层

分类维度	常见选项	回答的问题
工作负载	OLTP、OLAP、混合负载	主要处理什么操作？
数据模型	关系、文档、键值、图、向量	数据如何表达与访问？
存储组织	行存、列存、混合存储	数据如何排列与读取？
部署形态	嵌入式、单机服务、分布式	数据库如何运行与扩展？

NoSQL 通常泛指一组采用非传统关系模型的系统，并不意味着它们完全不支持 SQL，也不意味着它们没有事务。HTAP 则是混合事务与分析处理的方向，是否能同时满足两类负载，要继续检查资源隔离、数据新鲜度和查询延迟。

二、行存、列存和索引：相同 SQL 为什么表现不同

1. 行存更容易围绕一条记录工作

假设订单有订单号、用户、状态、金额、时间等字段。行存将一行的字段在存储组织上放得较近，查到订单后可以较方便地取出完整记录；结合合适的索引，点查和小范围更新可以避免全表扫描。

这里的“放得较近”是逻辑解释。真实系统还涉及数据页、溢出存储、索引结构和缓存，不能据此推导“一次请求只产生一次磁盘读取”。索引也有维护成本，给每个字段都建索引会放大写入、存储和维护开销。

2. 列存更容易围绕一批字段工作

列存按列组织数据。统计销售额时，可以尽量读取金额、时间、渠道等列，减少无关字段的读取；同列的数据类型和取值常有相似性，也利于压缩。

图 2：这是逻辑存储示意，不代表某个产品的数据页格式。它解释了点查完整记录与扫描少数列的不同访问需求。

列存经常配合向量化执行：执行算子一次处理一批值，减少逐行处理的调度成本。分布式分析引擎还会把查询拆到多个节点并行执行，这种方式常称为 MPP（大规模并行处理）。并行并非没有成本，节点之间的数据交换、数据倾斜和慢任务都可能影响整体延迟。

3. 不要把存储方式直接当成速度排名

一条带有高选择性索引的 MySQL 查询，可能比扫描大量数据的分析库查询更快；一个分区和排序键设计合理的分析库，也可能显著减少扫描。数据是否命中缓存、过滤条件能否下推、JOIN 是否触发大量网络交换，都会改变结果。

因此，“列存比行存快”“分布式一定比单机快”都缺少必要条件。选型要拿真实查询验证数据访问方式。

三、MySQL、PostgreSQL 和 SQLite：先把业务数据存可靠

1. MySQL：常见业务系统的事务基础

MySQL 常用于订单、账号、商品和后台管理等业务。讨论事务时，应明确存储引擎：InnoDB 提供事务、提交与回滚、崩溃恢复等能力，不能将其性质无条件推广到所有 MySQL 存储引擎。来源：MySQL 存储引擎文档。

它适合已有 MySQL 运维经验、依赖相关驱动和工具的团队。真正需要规划的包括索引、慢查询、连接池、备份恢复和主从切换。读副本可以分摊部分读取，但复制延迟可能导致用户刚写完就读到旧值。

如果一张表越来越大，应先检查查询、索引、归档和资源使用，再考虑分库分表。分片之后，跨分片关联、唯一性约束和事务处理都会更复杂。

2. PostgreSQL：关系模型与扩展能力结合

PostgreSQL 同样适合业务事务和关系查询。它还提供 json、jsonb 等类型，其中 jsonb 支持索引；因此，部分字段结构灵活，并不自动构成引入文档数据库的理由。来源：PostgreSQL JSON 类型。

对于同时需要关系约束、复杂 SQL 和部分文档数据的应用，可以把 PostgreSQL 作为候选。事务基础可参见官方教程。如果还需要语义检索，可以评估 pgvector 扩展，其提供精确和近似最近邻搜索能力。来源：pgvector 官方仓库。

扩展减少了系统数量，也会共享数据库的 CPU、内存和 I/O。向量建索引、大规模扫描与交易请求混跑时，仍要验证资源竞争。选择 PostgreSQL 或 MySQL，还应考虑团队经验、现有应用依赖和迁移代价，不宜把支持的功能数量当作唯一依据。

3. SQLite：应用内的关系型数据库

SQLite 嵌入应用进程，适合本地工具、桌面应用、移动端离线数据和许多低写入并发场景。无需独立数据库服务，部署和交付更简单；它也并非只能处理玩具项目。

它的边界主要在并发写入和部署方式：同一数据库文件同时只能有一个写入者，多进程、多机器共享写入需要谨慎设计。业务明确需要大量并发写入或集中数据库服务时，应评估 MySQL、PostgreSQL 等服务端数据库。来源：SQLite 适用场景。

四、Apache Doris：面向实时分析的分布式数据库

1. Doris 解决什么问题

Doris 面向分析负载：数据持续进入，报表、看板和分析应用持续查询。它采用列式存储与并行执行，支持 SQL，并兼容 MySQL 网络协议，可供相应客户端和 BI 工具接入。来源：Doris 概览。

“实时”需要定义到业务指标。用户更关心“订单提交后多久能在看板上看到”，这包含源端提交、同步、写入和可见性等阶段，不能只用一次 SQL 的执行时间代表。

2. FE 与 BE 如何分工

在存算一体部署中，Frontend（FE）处理请求、SQL 解析与规划、元数据等工作；Backend（BE）承担数据存储与查询执行。Doris 也提供存算分离部署模式，不能把所有部署都理解成数据只放在 BE 本地磁盘上。来源：Doris 系统架构。

从应用视角，可以把 FE 理解为协调查询的一层，BE 理解为执行数据任务的一层。查询是否高效，还取决于分区、分桶、数据分布、JOIN 策略和集群资源配置。

3. 数据模型影响更新语义

订单分析经常需要把“待付款”更新为“已付款”。Doris 的 Unique Key 模型可以按键维护记录状态，支持 UPSERT 等场景，相关行为还取决于写入模式和表配置。来源：Doris Unique Key 表。

做 CDC 同步时，应把主键、删除事件、乱序事件和版本顺序一起设计。否则旧状态晚到，就可能覆盖新状态。CDC（Change Data Capture，变更数据捕获）是把源数据库的变化同步出去的机制，并不会自动替你解决目标表模型和业务顺序问题。

4. 适合哪些团队

多表分析、交互式看板、订单状态持续变化，以及希望接入 MySQL 生态工具的团队，可以把 Doris 纳入验证。协议兼容有利于连接工具复用，但 SQL 方言、数据类型、事务和管理命令仍需逐项核对。

Doris 的写入和事务能力应按其自身语义使用。支付扣款、库存竞争等业务，还需要数据库约束、隔离、锁和失败处理共同保证；不能仅因 Doris 支持更新，就直接迁移整个交易系统。

五、ClickHouse：面向大规模扫描与聚合的列式分析数据库

1. 从事件数据理解它的优势

访问日志、监控事件、广告曝光和用户埋点往往持续追加。分析通常围绕时间范围、若干维度和聚合指标展开。ClickHouse 的列式组织适合这类读取少数列、处理大量行的任务。来源：ClickHouse 列式数据库说明。

设计时需要关注排序键、分区、批量写入和数据保留策略。数据有序可以帮助跳过无关范围；过多的小批次写入则可能产生大量数据片段和合并压力。最终收益依赖表结构与查询形态。

2. ClickHouse 支持更新，代价与可见性需要具体讨论

“ClickHouse 只能追加、不能更新”是不准确的。官方提供多种更新路径，包括 mutation、专门的表引擎以及随版本演进的更新机制。选择时应检查目标版本、更新粒度、执行成本和结果何时可见。来源：ClickHouse 更新方式概览。

例如，使用后台合并处理版本的表引擎时，需要理解合并完成前查询能看到什么，以及查询侧如何取得所需的最新状态。它与业务数据库中一次事务更新后的读取体验不能直接等同。

3. JOIN 和并发都应进入验证

ClickHouse 能执行 JOIN，但关联规模、数据布局、算法和内存限制会影响成本。宽表可以减少查询时的关联，也会增加维度变化时的维护工作。

因此，日志聚合是值得优先验证的场景，但“ClickHouse 只能做单表查询”“Doris 的并发永远更高”都过于绝对。对于实际业务，应同时测试大扫描、小范围查询、多表 JOIN 和资源竞争，使用相同成本预算比较。

六、MySQL、Doris、ClickHouse 的核心差异

这三者的差异可以沿着“写入什么、查询什么、需要什么语义”来理解。下面比较的是常见应用取向，不是能力的绝对边界。

维度	MySQL（InnoDB）	Apache Doris / ClickHouse
主要目标	业务事务、点查、小范围操作	分析查询、聚合、大范围读取
常见请求	创建订单、修改账户、查订单详情	趋势分析、多维报表、事件统计
设计关注点	约束、隔离、索引、锁竞争	排序与分区、并行度、扫描与交换
更新判断	面向事务语义设计业务	核对表模型、版本、成本与可见性
资源风险	长查询挤占交易资源	大查询挤占其他分析请求资源

再将两种分析库放在相同维度下讨论：

验证维度	Doris 的验证重点	ClickHouse 的验证重点
数据形态	多表模型、状态持续变化的数据	追加事件、排序良好的分析数据
JOIN	关联规模、分布、执行计划	算法、内存、数据布局与执行计划
更新	Unique Key、部分更新与事件顺序	更新机制、表引擎与查询可见性
交互分析	混合查询的尾延迟、资源隔离	混合查询的尾延迟、资源隔离
运维	副本或对象存储、扩容与恢复	分片副本、合并、扩容与恢复

如果主要是交易业务，优先从 MySQL 或 PostgreSQL 开始。如果已有交易库、希望增加持续更新的多维分析，可以先验证 Doris；如果主要是日志、事件和大规模聚合，可以先验证 ClickHouse。这里的“先验证”表达测试顺序，最终结论由真实工作负载决定。

七、其他数据库：从访问方式找到各自的位置

1. Redis：键值与数据结构，常用于热点访问

Redis 提供字符串、哈希、集合、有序集合、Streams 等数据结构。缓存用户资料、维护排行榜、记录短期状态，都可以利用相应操作。来源：Redis 数据类型。

Redis 支持 RDB 快照、AOF 等持久化方式，并非完全不落盘。实际可接受的数据丢失窗口与配置、刷盘和故障方式有关。来源：Redis 持久化。

当 Redis 承担缓存时，要明确过期策略、缓存未命中时的回源和数据库更新后的失效策略。内存容量、热点 key、淘汰策略和故障恢复是成本的一部分。缓存可以提升访问效率，却会引入另一份数据副本及一致性问题。

2. MongoDB：围绕文档组织数据

文档模型适合把经常一起访问的嵌套数据放在一起，例如商品的规格和扩展属性。MongoDB 支持嵌入文档，也支持跨文档事务；事务能力不能替代数据建模，分布式事务通常比单文档操作有更多成本。来源：MongoDB 数据建模实践。

需要先判断“什么数据一起变化、一起读取”，再选择嵌入还是引用。无约束地嵌入不断增长的数组、重复保存大量共享属性，都可能增加更新和读取成本。业务字段灵活时，也应把关系库的 JSON 能力放进候选集。

3. Elasticsearch：以词项和相关性为中心的搜索

全文搜索经常要处理分词、词项匹配和相关性排序。倒排索引建立从词项到文档的映射，让系统可以从一个词找到相关文档，而不必逐条检查全部正文。来源：Elastic 全文搜索原理。

商品搜索、日志检索和知识库关键词检索可以考虑搜索引擎。这里需要评估分词、召回率、排序质量、索引更新以及分片成本。搜索索引常作为业务数据库的派生数据；在这种架构下，必须能从源数据重建，也要处理删除与权限变更。

4. 时序数据库：时间是主要访问轴

监控指标、设备遥测、温度和能耗等数据，常按时间持续写入，再按时间窗口聚合。典型问题是“过去一小时的平均值”“按设备计算每日峰值”。

时序系统通常围绕时间分区、保留和聚合设计。以 TimescaleDB 的 hypertable 为例，它将表按时间分成 chunks，便于管理持续增长的数据。来源：Tiger Data hypertable 文档。

时序能力也可能由关系数据库扩展或分析库提供。设备标签的基数、乱序写入、保留周期和历史聚合需求，比“表里有没有时间字段”更有选型价值。

5. 图数据库：关系本身成为查询对象

图数据库用节点、关系和属性表达数据。Neo4j 的属性图模型可以直接表示用户、设备和它们之间的连接。来源：Neo4j 图数据库概念。

例如反欺诈分析：找出与某账户共享设备、再通过设备关联到的其他账户。多跳路径如果经常变化，图遍历值得评估；若只是固定的一次表关联，关系数据库通常已经能很好地表达。

查询关系的深度、分支数量和超级节点会影响遍历代价，不能认为图模型消除了组合爆炸。

6. 向量数据库：按相似度检索内容

文本、图片等内容可以由嵌入模型转换为向量。查询时，系统比较查询向量与候选向量的距离或相似度，并返回相关结果。Milvus 提供向量检索和不同相似度度量。来源：Milvus 向量搜索、相似度度量。

近似最近邻搜索通过索引在速度、内存与召回率之间取舍。它不保证语义上永远正确，效果还取决于嵌入模型、文档切分、过滤和重排。相似度高，也不代表内容真实或用户有权读取。

RAG 项目可以比较 PostgreSQL + pgvector 和 Milvus 等独立系统：前者有利于复用现有关系数据与运维，后者值得在向量规模、检索负载和独立扩容成为主要需求时验证。没有脱离维度、过滤条件和召回率目标的固定数据量分界线。

7. DuckDB：进程内完成分析

DuckDB 是面向分析的嵌入式数据库，适合本地数据分析、脚本和读取文件进行 SQL 分析的场景。它与 SQLite 都可以嵌入进程，但设计目标不同：一个偏分析，一个常用于应用本地事务数据。来源：DuckDB 官方文档。

如果需求是分析本地 CSV、Parquet 或数据导出文件，应先评估这种轻量方案。多租户在线查询、持续摄入与高可用服务则涉及更多系统能力，不能只用一段本地 SQL 的性能代表整体服务能力。

8. 分布式 SQL：把事务与横向扩展结合

当业务事务本身需要跨节点扩展时，可以评估 TiDB 这类分布式 SQL 数据库。它的 SQL 层把请求转换为底层分布式键值操作，再组装结果。来源：TiDB 计算层。

跨节点协调、热点分布和网络延迟会带来成本。是否需要分布式数据库，应由容量、写入压力、可用性目标和团队运维能力共同决定。协议兼容同样需要进行应用级验证。

八、事务、一致性和“实时”：选型时要拆开的三个词

1. ACID 不等于业务自动正确

ACID 中，原子性指事务作为整体提交或回滚；一致性关注事务维持约束和业务不变量；隔离性规定并发事务如何相互影响；持久性关注已提交结果在故障后如何保留。

隔离性不是简单的“有或没有”。不同隔离级别允许的并发现象不同，应用仍需处理死锁、冲突和重试。转账、库存、唯一订单号等问题，都需要具体的约束与并发设计。

2. ACID 的一致性与副本一致性不同

读到一个副本时，它是否已包含刚刚提交的写入，是副本读取与同步问题。一次数据库事务成功，也不意味着缓存、搜索索引和分析库同时更新成功。

CAP 讨论的是发生网络分区时，系统如何在一致性和可用性要求之间取舍。它不能简化成给所有数据库贴上“三选二”标签；具体读写路径、配置和故障条件仍需展开。

3. 实时分析要写出端到端目标

可把分析数据的新鲜度拆成：

端到端可见延迟 ≈ 源端提交后等待
 + 捕获与传输
 + 排队和批处理
 + 目标写入及可见性等待

查询耗时还要单独测量。实际阶段可能重叠，这个表达用于排查和建立预算，不是严格性能公式。目标应写成“源库提交后，绝大多数记录在约定时间内能被看板查询到”，并明确统计比例、时间窗口和异常处理。

九、一个电商系统如何逐步使用不同数据库

1. 起步阶段：业务数据库先形成闭环

一个早期电商后台，可以用 MySQL 或 PostgreSQL 保存用户、商品、订单和库存。简单报表直接查库；通过查询优化和适当资源配置控制成本。这个阶段的重点是业务约束、备份、恢复和可观测性。

缓存、搜索和分析库都应对应明确的问题。先引入一整套系统，意味着提前承担同步、权限、监控和恢复成本。

2. 根据瓶颈添加专门能力

当热点访问给业务库造成压力时，增加 Redis；当搜索相关性无法满足需求时，增加搜索引擎；当分析扫描影响交易延迟时，再评估独立分析库。每引入一个派生存储，都需要指定权威数据来源。

图 3：示例架构中的业务数据库保存权威订单状态。搜索和分析数据由同步链路构建，缓存由应用按策略维护；各分支可按需求独立引入。

3. 同步链路要处理故障和重放

CDC 链路会遇到重复事件、乱序、删除、字段变更和消费积压。假设同一订单的“已付款”先到、“待付款”后到，目标表如果直接按到达顺序覆盖，就可能恢复成旧状态。需要利用合适的事件位置或业务版本控制顺序，不能仅依靠时间戳碰巧递增。

跨表事务同步还需要明确分析侧是否会短暂看到部分结果。故障恢复时，要能定位消费进度，重放事件并校验结果；全量初始化与增量接续之间也不能留下缺口。

如果业务要求“付款后立即显示订单状态”，应读取满足该一致性要求的业务路径。分析库通常适合统计展示，不能在未证明同步语义之前承担交易判定。

4. 数据湖、对象存储和查询引擎也有区别

对象存储保存文件，Parquet 是文件格式，Iceberg 等提供数据湖表格式能力，查询引擎负责执行 SQL。这些概念不等价。分析系统可以把热数据放在专门的分析库，将长期数据放到对象存储，但还需要规划目录、权限、维护和查询成本。

“把数据放进数据湖”并不会自动获得高效查询与可靠业务语义。应继续检查文件组织、元数据和计算引擎如何协作。

十、用一套可执行的方法完成选型

1. 把需求写成可以测量的负载

需求维度	需要记录的内容	影响的决策
数据	行数、行宽、增长、保留周期、倾斜	容量、分区、冷热策略
写入	速率、批次、更新和删除比例	引擎、模型、同步方式
查询	真实 SQL、过滤、JOIN、返回规模	索引、排序、执行计划
并发	同时执行的请求与查询类型	排队、资源隔离、扩容
正确性	约束、隔离、新鲜度、容忍丢失量	事务与恢复架构
运维	团队经验、预算、恢复目标	自建、托管、系统数量

并发用户数、QPS 和数据库内同时执行的查询数不是同一个指标。同样的 QPS 下，主键查询和跨月大扫描所需资源可能相差很大。

2. 用真实数据做概念验证

准备代表数据。 保留字段分布、热点、宽度、时间跨度和关联规模，避免只用均匀随机数据。
固定比较边界。 记录产品版本、节点规格、副本、数据模型、配置与成本，同时说明每种方案的调优范围。
覆盖真实查询。 测点查、过滤、聚合、JOIN，以及实际使用的更新和删除路径。
混合读写测试。 在持续写入时测查询，再加入重查询，观察排队、合并、压实和资源竞争。
验证故障恢复。 测节点故障、同步中断、重复事件、乱序和全量重建，并检查最终数据。
保存验收证据。 留下 SQL、数据集说明、配置、执行计划、结果校验和成本，确保结论能够复现。

3. 不只看平均耗时

至少观察 p50、p95、p99 查询延迟、吞吐、错误率、数据可见延迟、资源用量，以及恢复时间。p99 表示约 99% 的观测请求不超过该耗时；它必须结合请求量、观察窗口和查询类别一起解读。

向量检索还要看召回率与过滤后的质量，搜索要看相关性，业务数据库要看并发下的约束是否成立。一个查询返回得很快，却返回旧状态或漏掉有权限读取的内容，并不意味着方案达标。

恢复也要有目标：RPO 表示可接受的数据丢失窗口，RTO 表示希望多久恢复服务。副本可以帮助应对节点故障，但误删可能复制到所有副本，所以还需要独立备份和恢复演练。

十一、按场景收敛候选方案

主要需求	优先验证的候选	先确认的边界
常规业务与交易	MySQL、PostgreSQL	事务、隔离、索引、恢复
本地应用与离线数据	SQLite	写入并发、文件与部署方式
本地文件分析	DuckDB	内存、数据规模、服务化需求
多维报表与状态分析	Doris；同时比较 ClickHouse	JOIN、更新、同步与尾延迟
日志与事件聚合	ClickHouse；同时比较 Doris	排序、写入批次、扫描成本

检索与专门访问需求：

主要需求	优先验证的候选	先确认的边界
热点缓存与排行榜	Redis	淘汰、持久化、回源与失效
嵌套文档	MongoDB；同时比较关系库 JSON	聚合边界、跨文档操作
全文搜索	Elasticsearch 等搜索引擎	分词、相关性、重建与权限
时间窗口指标	时序系统或现有分析库	基数、保留、乱序与聚合
多跳关系查询	Neo4j 等图数据库	路径深度、超级节点
语义相似检索	pgvector、Milvus 等	召回率、过滤、成本和同步
事务横向扩展	TiDB 等分布式 SQL	网络协调、热点、兼容性

回到开头的订单问题：订单提交与库存处理需要可靠的业务事务路径，按月统计渠道成交额则需要合适的分析路径。起步时，两者可能由一个关系数据库承担；负载增长后，再通过明确的数据同步与一致性边界拆分。

开始选型前，先拿出三条代表查询、一组真实数据，以及能够验收的正确性和延迟目标。数据库的价值，要在这些具体约束里判断。

05-存储与数据库 on 扎塔-Zata