大数据的典型特征，包括数据量大、数据类型多、价值密度低等，而具备这样特征的数据，在进入到存储阶段时，就需要根据数据类型及场景，来匹配适当的数据存储解决方案。今天我们来讲讲Java大数据开发当中，必须掌握的四种数据库。

大数据时代的数据，我们可以大致分为结构化数据和非结构化数据。其中，结构化数据，主要是依靠传统的关系型数据库去存储，比如说Oracle、MySQL、PostgreSQL等，都是关系型数据库的代表。

而比结构化数据，更加庞大的非结构化数据（其中也包括半结构化数据），则主要依靠非关系型数据库来完成存储。对于大数据开发者而言，非关系型数据库（NoSQL）也有不同的类型，需要匹配不同的场景需求来进行选择。

MongoDB

MongoDB。可以说是大数据时代的数据库代表作了。MongoDB最大的特点是表结构灵活可变，字段类型可以随时修改。MongoDB中的每一行数据只是简单的被转化成Json格式后存储，没有表结构的限制。

没有表结构这一点，对于MongoDB来说，带来了优势，当然也存在一定的缺陷，比如说在多表查询、复杂事务等高级操作上，MongoDB就显得不够优秀了。

得益于MongoDB的这些特点，MongoDB很适合那些表结构经常改变，数据的逻辑结构又没那么复杂不需要多表查询操作，数据量又比较大的应用场景。

Redis

Redis是现在最热门的key-value数据库。Redis的最大特点当然就是key-value存储所带来的简单和高性能了。

所谓key-value存储，就是每一条记录只包含一个用于查询数据的Key，以及与之对应的存储数据的value，就如同现实生活中的门牌号与住户，而没有诸如表、字段这些常规数据库中必需有的复杂概念，所有的查询都仅仅依赖于key值。

得益于这种简单的结构，再加上Redis会把所有数据加载到内存中的，Redis相比常规数据库的读写性能得到了极大的提升。并且，Redis还支持数据持久化，list、set等多种数据结构，主从复制备份等功能，堪称简单易用。

同样地，因为数据结构的简单，Redis对复杂查询的支持也有限，不能支持多列查询、区段查询等。总的来说，Redis更适用于读写性能要求极高，且数据表结构简单、查询条件也同样简单的应用场景。

ElasticSearch

ElasticSearch，严格来说，其实不算是数据库，而是搜索引擎，这个产品本身也是围绕搜索来设计的。

ES的典型优势就是，支持全文搜索，在对中文的支持上也比较友好（单是中文分词器就有很多种）。ES通过建立倒排索引实现全文搜索，以实现对存入ES中的所有数据进行快速检索，就算是非常复杂的聚合查询也可以得到不错的性能。

当然，ES也同样有不足，最明显的就是字段类型无法修改、写入性能较低和高硬件资源消耗。这就注定了ES不适用于数据价值不高、对写入性能有要求、数据量大而成本受限的场景下。

Hbase

HBase作为Hadoop生态当中的重要组件，说是大数据必学，相信没有人会反对。HBase最大的优点，就是对海量数据的支持，以及极强的横向（存储容量）扩展能力。

Hbase的存储和Redis类似，为每一行数据定义一个key，之后所有的查询都依赖这个key进行。但是Hbase的不同在于，一行数据还可以有非常多的列项，数据会按照列进行分组和存储，同一列的数据存储在同一个地方。

HBase的列式存储特性带来了海量数据规模的支持和极强的扩展能力，但是也给数据的读取带来很大的局限。由于只有同一列族的数据才会被存放在一起，而且所有的查询都必须要依赖Key，这就使得很多复杂查询难以进行。

简单来说，HBase适合数据量极大，查询条件简单，列与列之间联系不大的轻查询应用场景。

小结一下：

以上四种，可以说是大数据开发必须掌握的四款数据库，能够满足绝大多数场景下的数据存储需求，不同的数据库适用于不同的场景，如何去选择就要考察开发者的选型能力了。