【摘要】 现在有很多的行业都是使用到了大数据技术，如果我们说大数据的应用场景是一个相对比较简单的问题，那关于大数据的分布式数据库应用场景是

现在有很多的行业都是使用到了大数据技术，如果我们说大数据的应用场景是一个相对比较简单的问题，那关于大数据的分布式数据库应用场景是什么就不是一个简单的问题了。其实在不同的应用场景中都有不同的技术，现阶段并没有任何一种技术可以适用于全部业务场景。那么大数据的分布式数据库应用场景是什么呢？下面我们就给大家解答一下这个问题。

大数据时代，有很多行业中的核心是交易类业务，由于一些历史原因，很少有企业能够做到立刻使用新技术替换主核心系统。但是在其他的系统中，分布式数据库可以做到这些，同时在大数据应用中，分布式数据库地位也不断上升。而数据仓库延展实际上就是对传统数仓模型的一个补充。一直以来，数据仓库的建设都是遵从着从顶向下的原则，也就是先建立数据模型，再根据数据模型构建表结构与SQL，之后进行ETL和数据清洗，最后得到相应的报表。

而大数据与新兴的机器学习，带给人们另一种从底向上的分析思路：首先建立分析型数据湖，将需要分析的数据均纳入湖中进行脱敏和标准化，之后利用机器学习、深度挖掘等分布式计算技术，在这些海量的数据中寻找规律。这种思路与传统数仓思路的最大不同，在于以历史数据展现出的事实为基础构建分析模型，而非与假设出的数据模型为基础进行构建。数据仓库延展，是Hadoop与分布式列存储的主打场景。对于在线和实时数据操作，分布式数据库则是另一个主要的技术类型。但在大数据的场景中，很多业务开始对历史数据的在线交互式访问提出明确的更高需求。这些类型的应用场景存在并发量高、索引维度多、查询延迟低等特性，使用Hadoop的HBase存在众多不便，正是分布式联机数据库的主要应用场景。除了存放历史数据以外，ODS延展的另一大方向就是作为数据集市，存放从Hadoop中分析和挖掘的结果，供外部应用调用查询。例如，手机银行根据每个用户画像的标签结果与当前行为提供实时产品推荐，就是将分析结果与实时行为数据相结合的场景。这类应用可以进一步扩展到事中风控等更核心的业务场景中去。

因此，在大数据时代中，Hadoop与分布式数据库在金融行业的架构中应当相辅相成，互相弥补各自的不足。Hadoop与分布式分析型数据库在结构化数据批处理分析中都可以很好地满足需求；Hadoop对于非结构化数据分析有着数据库无法比拟的优势；而分布式联机数据库则在高并发在线业务场景中能够更灵活地管理和使用数据。

在这篇文章中我们给大家介绍了很多有关大数据的分布式数据库应用场景知识，通过这些我们不难发现大数据的分布式数据库是一个十分实用的工具。所以学习大数据就一定不能忽视这个技能的学习。