这五种技术，尽管叫法不同：数据库，搜索引擎，数据仓库。其实都是我们应用程序和数据之间的一个中间层。
要理解他们有什么不同，要从他们设计哲学和应用场景来看：
MySQL - 关系型数据库
应用程序 → MySQL（关系型数据库） → 磁盘文件
mysql作为典型的传统关系型数据库，主要有以下特点：
-
提供ACID事务保证
-
支持复杂的关系查询（JOIN、子查询等）
-
结构化数据存储和管理
由于mysql有事务的四大特性，所以它支持需要强一致性的业务的场景，如银行交易系统 ，电商订单管理。
mysql不支持分布式存储所以不适用于海量数据存储（PB级别），也不适用于非结构化数据存储。
Elasticsearch - 搜索和分析引擎
应用程序 → Elasticsearch（搜索引擎） → 倒排索引 + 文档存储
Elastic译为有弹性的，灵活的。
关于Elasticsearch的介绍可以看这个视频：【Elastic Search是什么？Lucene是什么？架构是怎么样的？】 https://www.bilibili.com/video/BV1yb421J7oX/?share_source=copy_web
Elasticsearch利用倒排索引等方法，特点为：
-
解决全文搜索性能问题
-
提供近实时的数据检索
-
支持复杂的聚合分析
适用场景：电商商品搜索，日志分析和监控，应用内全文搜索，实时数据分析。
不适用场景：需要强事务的业务，复杂的关系查询，数据频繁更新的场景。
HBase - 分布式列式存储
应用程序 → HBase（列式存储） → HDFS分布式文件系统
HBase基于HDFS可以实现海量数据存储，以及高并发场景下的实时读写。特点为：
-
海量数据的随机读写
-
线性扩展能力
-
高吞吐的数据存储
适用场景：用户行为日志，存储物联网传感器数据，消息和历史记录，需要随机访问的海量数据。
不适用场景：复杂查询和聚合，需要事务保证，频繁的模式变更 。
Hive - 数据仓库工具
应用程序 → Hive（数据仓库） → SQL接口 → MapReduce/Spark → HDFS
Hive面向数据处理，可以将类似于sql的语言转化为MR程序。特点为：
-
在Hadoop上提供SQL-like查询
-
离线批处理和分析
-
处理超大规模数据集
适用场景：数据仓库和BI分析，离线数据处理，历史数据挖掘，大规模ETL作业。
不适用场景：实时查询，在线事务处理，低延迟应用。
Redis - 内存数据存储
应用程序 → Redis（内存存储） → 内存 + 可选的磁盘持久化
redis作为基于内存储存的Nosql数据库。特点为：
-
提供超高速的数据访问
-
作为缓存层减轻后端数据库压力
-
支持丰富的数据结构和原子操作
本质：内存优先的键值存储
适用场景：缓存，会话存储，消息队列。
不适用场景：数据量超过内存大小，需要复杂查询，需要强事务。
