我需要一些帮助来决定我们应该为我们的项目选择哪个数据库。我们正在开发一个网络应用程序，用于收集有关用户行为的数据并对其进行分析(不好的解释，但我无法提供更多细节；网络分析数据是我们的核心数据集之一)。我们估计我们每周将向数据库中插入大约 2 亿行 + 从原始数据计算的数据。数据必须至少保留六个月。
我花了一周半的时间收集有关不同解决方案的信息，但似乎有太多让我感到迷茫的地方。我发现最有前途的是 Cassandra、Hbase 和 Hive。我还查看了 MongoDb、Redis 和其他一些，但它们看起来适合不同的需求，或者社区不太活跃。
- 整个应用程序将在亚马逊的 EC2 中运行。作为一家初创公司，现收现付定价模式非常适合我们。在云端管理数据库越容易越好。
- 可扩展性很重要。我们将生成的数据量变化很大，并且会随着时间的推移而增长。
- 我们无法支付巨额的许可费用。否则我们可能会使用类似 http://www.vertica.com/ 的东西.
- 我们需要对数据进行各种分析，写得越简单越好。我考虑过使用 Map/Reduce 来完成任务； Hbase 似乎比 Cassandra 对此有更好的支持，而 Hive 有自己的查询语言。不需要实时分析；我们可以每天计算一次结果，然后将这些结果铲回数据库以便快速检索。
- 压缩支持会很好，但不是必需的(磁盘空间很便宜:)。
我也考虑过使用 MySql(因为无论如何我们都会将其用于所有用户信息等)，但是将来扩展会更加困难，我认为在某些时候我们无论如何都必须转移到其他数据库.我们也非常愿意投入一些时间和精力来插入所选数据库的发展。
最佳答案
我们决定继续使用 Hadoop(& Hive/Hbase)作为我们的主要数据存储。主要原因是:
- 这是一项成熟的技术，许多大型网站都在使用它(Facebook...)。
- 许多相关文档甚至 Hadoop 书籍都已编写。
- Hive 提供了很好的类似 SQL 的查询语言和命令行，因此即使是不懂 Java/Python/等的人也能使用。可以轻松编写查询。
- 它是免费的，社区的人似乎很有帮助 :)
关于database - 为分析选择合适的数据库的困难，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/3179465/