今天有同学问我：“学长，传统数据库和数据仓库的区别是什么？”

同学这么一问，还真有点儿把我给问住了。

虽然我也经常跟别人讲什么是实时数仓，什么是离线数仓，它们的分层架构和技术选型应该如何做，但确实被这个问题给灯下黑了，似乎很难一下子清晰准确地给出两者的具体区别。

随后，经过一通网上查资料学习，我算是把这个问题整理清楚了，也输出这篇文章跟大家分享下，先来看看两者的定义。

传统数据库，也就是我们常说的，以 Oracle 和 MySQL 为代表的关系型数据库，用于存储和管理结构化的数据，以快速响应用户操作为主，具备ACID（原子性、一致性、隔离性、持久性）的事务特性。

数据仓库，是一种面向商业智能活动（数据挖掘、数据分析、数据报表）的数据管理系统，通常涉及大量的历史数据，用于企业的分析性报告和决策⽀持，以星型模型和雪花模型为主。

两者的主要区别，包括如下几个方面：

设计思路

众所周知，传统数据库是以应用或服务为粒度来进行设计的，如：商品服务、订单服务、用户服务、促销服务等。

而数据仓库则是面向主题进行设计的，我们可以将主题理解为一个宏观的分析领域， 是在较高层次上将业务系统中某一分析对象的数据进行整合、归类并分析的一种范围。如：销售主题、客户主题、供应商主题等。

面向主题设计的优势在于，用户能够更简单直接地利用数据进行多维复杂分析，而不需要从各个不同的业务系统中寻找并串联数据，可大幅提升工作效率和实现更深入的业务洞察。

以保险行业为例，对应的数仓十大主题如下：

核心用途

传统数据库的核心用途，是用来管理业务系统所产生的业务数据，如：电商交易、银行转账、客户关系管理等。

而数据仓库则用于构建面向分析的集成化数据环境，通过报表分析和数据洞察的方式，为企业的战略决策提供数据依据。

数据仓库不生产任何数据，其数据来源于各个业务系统的数据库，数据仓库也不会对数据进行消费，只是将数据分析后的结果开放给各个外部系统使用。

我们以常见的电商场景为例：

构成部分

传统数据库的构成部分比较简单，是由数据库本身和数据库管理系统（DBMS）组成。

而数据仓库则要复杂很多，由数据源、ETL 工具、数据存储、元数据管理和数据访问分析工具共同构成。

其中，ETL 工具负责从数据源抽取数据，并经过清洗转换之后加载到数据仓库中，目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。

数据存储是数据仓库中最为的核心部分，通常采用多维数据模型（星型模型、雪花模型）来组织数据，并通过列式存储的方式来减少数据读取范围和提升数据压缩比，以达到提升查询性能的目的。

数据稳定性

在传统数据库中，为了满足于用户对业务系统的日常操作，对数据进行更新比较高频，且需要实时生效。

而数据仓库中的数据主要提供企业决策分析之用，反映的是一段相当长的时间内历史数据的内容，是不同时点的数据库快照的集合， 以及基于这些快照进行统计、综合和重组的导出数据，而不是联机处理的数据。

因此，其所涉及的数据操作基本上是数据查询分析，数据需要保持在稳定态，原则上并不提倡进行更新操作。

那问题来了，如果出于业务需要，必须进行更新操作的话怎么办？

对于数据仓库来说，正确的技术方案是通过时间戳或版本号进行标记，并以插入新数据和定期删除老数据的方式进行替代。

如下图所示，有些像 MySQL InnoDB 中实现了 MVCC（多版本并发控制） 机制的 Undo Log：

性能指标

传统数据库专注于实时处理和管理大量事务数据，通常是为支持高并发的日常事务处理而设计的。因此衡量其性能最重要的指标，为其所能承载的峰值 TPS（每秒事务数）和对应的 QPS（每秒查询率）。

而数据仓库的主要操作为查询大量数据进行汇总分析，因此在海量数据下查询的RT（响应时间）为衡量其性能的最重要指标。

被用作一站式实时数据仓库的 ClickHouse，它的官网上公布的测试数据也是这样体现的。

内容如下：

所有用于对比的数据库都使用了相同配置的服务器，在单个节点的情况下，对一张拥有133个字段的数据表分别在1000万、1亿和10亿三种数据体量下执行基准测试，基准测试的范围涵盖43项 SQL 查询。

在1亿数据集体量的情况下，ClickHouse 的平均响应速度是 Vertica 的2.63倍、InfiniDB 的17倍、MonetDB 的27倍、Hive 的126倍、MySQL 的429倍以及Greenplum 的10倍。

用户群体

传统数据库是服务于终端用户的，既有企业级的 ERP 系统、OA 系统、CRM 系统用户，也有淘宝电商、拼多多电商、美团外卖、滴滴打车、抖音短视频等数亿规模的 APP 用户。

而数据仓库的用户群体，则为企业内部的数据分析师和管理决策者，其规模最多也不会超过数百人。

结语

当然，对于传统数据库和数据仓库的区别，每个工程师对此都会有自己的解读，属于典型的仁者见仁智者见智的问题，并没有标准的答案。

网上还有一种比较好玩儿的观点认为，传统数据库是必不可少的雪中送炭，而数据仓库只是恰如其分的锦上添花，我觉得这种观点也对吧。

毕竟“大数据研发工程师”这个岗位，只要脱离了北上广深四个一线城市，其实在二三线城市的岗位很少，甚至可以用屈指可数来形容了。