行式存储和列式存储

传统数据库大多基于行（Row-based）实现数据存储，即一行行的记录。此类存储结构对大多数的传统数据工作都是非常有效的，下面我们先来回顾一下数据库系统中数据工作的概念：
-在线事务处理(OLTP)
OLTP是传统数据工作的主要应用，主要是基本的、日常的事务处理，即插入、修改、查询和删除等操作。
-在线分析处理（OLAP）
OLAP是数据分析和数据挖掘工作的主要应用。OLAP支持复杂的分析操作，侧重决策支持并提供直观易懂的查询结果。
　　在Row-based数据库中，一行记录中的每一列都是紧挨着另一列存放在硬盘中的，行之间也成线性存储。这样的模式十分适用于OLTP工作，由于每次操作对象都是某几行记录，每次查询只需要从硬盘中加载最少的数据。
　　OLAP更倾向于访问百万、千万甚至上亿条记录。传统的行式存储（Row-oriented Storage）使得我们需要花费时间加载每一行，而真正需要的数据可能仅是每行中的几个数据列而已。如果存储结构基于列（Column-based），那么单列查询就只需要加载硬盘中的最小列块，这种方式在磁盘IO上是比较高效的。正是如此，我们可以说OLAP促成了列式存储(Columnar Storage)的出现。
　　下图展示了Row-oriented Storage和Columnar Storage的原理：

　　当然，列式存储也并非万能。单纯给Column-based数据表加索引，并不能使其在OLTP工作流上表现高效。就删改记录等需求而言，查询任务需要加载磁盘中的很多列块才能整合一条完整的记录。如果一个数据表的列项过于丰富，那么Columnar Storage反而会加重OLTP工作流的磁盘I/O负载。相比而言，Row-oriented Storage则更适合对单一整行记录的处理。
　　如何选择存储结构取决于你的企业对OLTP/OLAP业务的需求。目前还有一些行列混合存储技术结合了两种架构的优势。例如针对Columnar Storage提出的列组（Column Group）概念，多个列形成一个组。如果访问的列属于同一组，查询工作流就可以避免多个数据列的合并。这种结构能够同时满足OLTP和OLAP的查询需求。
　　Columnar Storage从一开始就是面向大数据环境下数据仓库的数据分析而产生的。