Ⅰ 存儲海量圖片數據用mongoDB還是Hbase呢
我所知道的FackBook、Instagram、Twitter 都是用的Redis，國內的新浪微博、騰訊微博、搜狐等也是用的它
Ⅱ 用什麼資料庫來存儲圖片
一、圖片一般是存儲為路徑的，這樣存取速度快，也方便
二、如果非要存在資料庫中的話，可以存為二進制數據，只是存取比較麻煩，效率和性能也不高
Ⅲ 存儲大量圖象用什麼資料庫最好
最好的做法：圖象直接上傳到網站空間，然後把地址寫入資料庫，而不是把圖象直接存入資料庫，因為那樣要先把圖象轉成二進制，比較麻煩，也很費空間。
所以用什麼資料庫就只要根據你的編程語言了，如果你是用ASP，那麼用ACCESS或MSSQL都可以，如果是用PHP，那麼用MYSQL，等等……
Ⅳ 關系型資料庫與非關系型數據應用環境上有什麼區別，如何選擇哪種資料庫類型
關系型資料庫最典型的數據結構是表，由二維表及其之間的聯系所組成的一個數據組織。
優點：
1、易於維護：都是使用表結構，格式一致；
2、使用方便：SQL語言通用，可用於復雜查詢；
3、復雜操作：支持SQL，可用於一個表以及多個表之間非常復雜的查詢。
缺點：
1、讀寫性能比較差，尤其是海量數據的高效率讀寫；
2、固定的表結構，靈活度稍欠；
3、高並發讀寫需求，傳統關系型資料庫來說，硬碟I/O是一個很大的瓶頸。
二、非關系型資料庫
非關系型資料庫嚴格上不是一種資料庫，應該是一種數據結構化存儲方法的集合，可以是文檔或者鍵值對等。
優點：
1、格式靈活：存儲數據的格式可以是key,value形式、文檔形式、圖片形式等等，文檔形式、圖片形式等等，使用靈活，應用場景廣泛，而關系型資料庫則只支持基礎類型。
2、速度快：nosql可以使用硬碟或者隨機存儲器作為載體，而關系型資料庫只能使用硬碟；
3、高擴展性；
4、成本低：nosql資料庫部署簡單，基本都是開源軟體。
缺點：
1、不提供sql支持，學習和使用成本較高；
2、無事務處理；
3、數據結構相對復雜，復雜查詢方面稍欠。
非關系型資料庫的分類和比較：
1、文檔型
2、key-value型
3、列式資料庫
4、圖形資料庫
Ⅳ 目前大型的圖片網站，都什麼用哪種資料庫存儲圖片的
你說的大型圖片網站,應該指的只是這個網站的 圖片數量特別多, 但是圖片一般是不存在資料庫的,因為那樣讀寫起來很慢, 大多數是 直接把圖片的 路徑存下來, 據我個人了解, 千萬數量級別的,如果只是查詢 圖片的位置, 而且反復查詢的, 使用sql 會有點慢, 如果使用 oracle 可能會好點.
Ⅵ 大量數據用什麼資料庫
ORACLE、DB2、SQL SERVER都可以，關鍵不是選什麼資料庫，而是資料庫如何優化！ 需要看你日常如何操作，以查詢為主或是以存儲為主或2者，還要看你的數據結構，都要因地制宜的去優化！所以不是一句話說的清的！
Ⅶ 圖資料庫的應用場景
TranswarpStellarDB是自主研發的分布式圖資料庫，兼容openCypher查詢語言，提供海量圖數據的存儲和分析能力，支持原生圖存儲結構，支持萬億邊PB級數據存儲。同時，StellarDB具備毫秒級點邊查詢能力，10+層的深度鏈路分析能力，提供近40種的圖分析演算法，具備數據2D和3D展示能力。星環科技StellarDB在金融、政府和社交網路等領域應用，並且在某地電信關系圖譜場景實現了萬億邊規模的存儲和穩定運行，真正意義上將萬億級圖資料庫能力應用落地。
圖資料庫典型應用場景：
知識圖譜:
於圖資料庫而言，知識圖譜是圖資料庫關聯最為緊密、應用范圍最廣的應用場景。知識圖譜對海量信息進行智能化處理，形成大規模的知識庫並進而支撐業務應用。
知識圖譜中圖資料庫具有存儲和查詢兩方面的技術優勢：存儲方面：圖資料庫提供了靈活的設計模式；查詢方面：圖資料庫提供了高效的關聯查詢
作為圖資料庫的底層應用，知識圖譜可為多種行業提供服務，具體應用場景例如電商、金融、法律、醫療、智能家居等多個領域的決策系統、推薦系統、智能問答等。
風險合規知識圖譜：風險是金融的命脈，也是國家監管科技的主幹。金融監管+風險合規的知識圖譜是星環科技最早開始投入建設和技術研發的方向。面向超大規模圖網路，星環科技率先發布了支持空間3D的圖展示，避免了二維圖的展示對於超過萬節點的圖無法清晰體現的弊端；同時結合反洗錢網路圖譜利用屬性圖中節點帶有地理定位屬性，構建了跨境可疑資金轉正圖網路，對於可疑跨境交易一目瞭然。
精準營銷類知識圖譜：大型金融機構可能存在上千萬家的B端或者C端用戶，如何實現針對不同用戶的精準營銷？在營銷知識圖譜方面，星環科技面向銀行開發了對公知識圖譜的技術，實現了在營銷端沉澱業務知識，充分發揮圖譜價值，幫助銀行實現諸如疫情期間小微企業信貸精準投放等應用。
投資研究類支持圖譜：在金融和資本市場，最重要的金融業務就是投資，利用知識圖譜刻畫人類研究成果，進行知識圖譜化表達和構建，也是多家券商和基金公司在探索金融科技賦能投資收益效果的發展路線圖。在投資知識圖譜方面，星環科技通過全棧能力，深度融合NLP+知識圖譜技術，通過知識表示學習等領先的知識圖譜技術，實現智能投研知識圖譜，賦能投資研究場景應用。
金融領域
在金融領域，圖資料庫通過利用多維交叉關聯信息可以深度刻畫交易行為，可以有效識別規模化、隱蔽性的欺詐網路，結合機器學習、聚類分析、風險傳播等相關演算法，可以實時計算用戶的風險評分，在風險行為發生前預先識別，有效幫助金融機構提升效率、降低風險。
反欺詐：通過賬戶、交易、電話、IP地址、地理位置等關鍵實體信息的關聯關系，對風險暴露人的N層圖挖掘，幫助篩選疑似欺詐人員，達到預防目的。
反欺詐信貸擔保圈：中小企業通過關聯企業、產業鏈上下遊客戶、關系人等相互擔保，形成關系復雜的「擔保網」，信貸擔保圈的挖掘對企業貸款風險的識別與防範有重要意義。
股權穿透：通常是由高管、企業及關聯公司構成的復雜網路，以股權為紐帶，向上穿透到目標企業最終實際控制人，向下穿透到該企業任意層股權投資的所有企業及其股東。
圖資料庫更多應用場景
金融領域：冒名貸款、銀行零售知識圖譜、銀行對公知識圖譜、資金流向分析、企業關聯圖譜、事件傳遞圖譜、個人信貸反欺詐、反洗錢知識圖譜等
政企領域 ：物聯網、智慧城市、道路規劃、智能交通、軌跡分析、疫情防控、寄遞關系畫像等
電信領域：深度經營分析、防騷擾、電信詐騙防範、運營商經營分析等
零售領域：智能推薦、精準營銷、供應鏈管理、貨物推薦、瀏覽軌跡分析等
社交領域：社區發現、好友推薦、興趣用戶推薦、輿論跟蹤等
工業領域：電網分析、供應鏈管理、設備管理、物流分析等
醫療領域：智能診斷、電子病歷、醫保&保險分析等