大数据写的数据库是什么

大数据写的数据库主要有以下几种：

1. Hadoop：Hadoop是一种分布式计算框架，它包含一个分布式文件系统（Hadoop Distributed File System，简称HDFS）和一个分布式计算框架（MapReduce）。Hadoop可以存储和处理大规模数据集，并提供高可靠性和高扩展性。

2. Apache Cassandra：Cassandra是一个高度可扩展的分布式数据库系统，它设计用于处理大量数据并具有高度可扩展性和高性能。Cassandra使用分布式架构，数据可以在集群中的多个节点之间分布和复制。

3. Apache HBase：HBase是一个面向列的分布式数据库系统，它建立在Hadoop之上。HBase提供了对大规模数据集的随机实时读写访问，具有高扩展性和高可靠性。

4. Apache Hive：Hive是一个基于Hadoop的数据仓库基础设施，它提供了一种类似SQL的查询语言（HiveQL）来分析和查询存储在Hadoop集群中的数据。Hive将结构化数据映射到Hadoop的分布式文件系统中，并提供了高度可扩展的数据存储和处理能力。

5. Apache Phoenix：Phoenix是一个开源的分布式SQL查询引擎，它建立在HBase之上。Phoenix提供了一种SQL接口来查询和操作HBase中存储的大规模数据集，具有高性能和低延迟的特点。

这些大数据写的数据库都具有高可扩展性、高性能和高可靠性的特点，适用于处理大规模数据集和实时数据分析。它们在大数据领域中被广泛应用，帮助企业更好地管理和分析海量数据。

大数据写入数据库的方式有很多种，根据具体的需求和场景选择不同的数据库。以下是一些常见的大数据写入数据库的方式和相应的数据库：

1. 批量导入：将大量数据先写入到文件中，然后使用数据库提供的导入工具或API批量导入数据。这种方式适用于一次性导入大量数据的场景，如使用MySQL的LOAD DATA INFILE命令或Hadoop的sqoop工具。

2. 分区写入：将数据按照某个维度进行分区，然后分批次写入到数据库中。这种方式可以利用数据库的分区表功能，将数据分散到不同的分区中，提高写入和查询的性能。例如，使用Hive将数据按照日期分区，然后将每天的数据写入到MySQL的分区表中。

3. 流式写入：将数据实时写入到数据库中，适用于需要实时处理和分析的场景。常见的流式写入数据库的方式有：

   • 使用消息队列：将数据写入到消息队列中，然后使用数据库的API或ETL工具从消息队列中读取数据并写入数据库。常见的消息队列有Kafka、RabbitMQ等。

   • 使用流处理框架：使用流处理框架如Apache Flink、Apache Spark等，将数据实时处理并写入数据库。这种方式可以实现高吞吐量和低延迟的数据写入。

4. 列式数据库：针对大数据场景，列式数据库具有较高的写入和查询性能。列式数据库将数据按列存储，可以只读取需要的列，减少IO开销。常见的列式数据库有HBase、Cassandra等。

需要注意的是，选择合适的数据库要根据具体的需求和场景进行评估和选择，包括数据量、写入速度、查询需求、数据模型等因素。同时，还需要考虑数据库的可扩展性、容错性、性能等方面的要求。

大数据写的数据库是指用于存储和管理大规模数据的数据库系统。传统的关系型数据库在处理大数据时面临着性能瓶颈，因此出现了一些专门为大数据场景设计的数据库系统。

目前，常见的大数据写的数据库主要包括以下几种：

1. 列式数据库（Columnar Database）：列式数据库是一种将数据按列存储的数据库系统，相比于传统的行式数据库，列式数据库在处理大量数据时具有更高的性能和效率。它适用于需要快速查询和分析大量数据的场景，如数据仓库、在线分析处理（OLAP）等。

2. 分布式数据库（Distributed Database）：分布式数据库是将数据分散存储在多个节点上的数据库系统，通过将数据分布在多个节点上并进行并行处理，提高了数据库的性能和可扩展性。常见的分布式数据库系统有Apache Cassandra、HBase等。

3. NoSQL数据库：NoSQL（Not Only SQL）数据库是一类非关系型数据库，它放松了对数据模型的限制，具有较高的可扩展性和灵活性。NoSQL数据库适用于大规模分布式数据存储和处理场景，如MongoDB、Redis等。

4. NewSQL数据库：NewSQL数据库是一种结合了传统关系型数据库和分布式数据库的新型数据库系统，它保持了关系型数据库的ACID特性，并具有分布式数据库的高性能和可扩展性。NewSQL数据库适用于需要同时满足事务性和大规模数据处理的场景，如CockroachDB、TiDB等。

在选择大数据写的数据库时，需要根据具体的业务需求和数据特点进行评估和选择。同时，还需要考虑数据库的可靠性、性能、扩展性、安全性等方面的因素。