資料庫多樣性

㈠ 資料庫系統的主要特點是什麼

資料庫系統的特點
1.數據結構化
2.數據的共享性高，冗餘度低，易擴充
3.數據獨立性高
4.數據由DBMS統一管理和控制
資料庫系統實現了整體數據的結構化，這是資料庫的最主要的特徵之一。這里所說的「整體」結構化，是指在資料庫中的數據不再僅針對某個應用，而是面向全組織；不僅數據內部是結構化，而且整體式結構化，數據之間有聯系。因為數據是面向整體的，所以數據可以被多個用戶、多個應用程序共享使用，可以大大減少數據冗餘，節約存儲空間，避免數據之間的不相容性與不一致性。
數據獨立性高
數據獨立性包括數據的物理獨立性和邏輯獨立性。
物理獨立性是指數據在磁碟上的資料庫中如何存儲是由DBMS管理的，用戶程序不需要了解，應用程序要處理的只是數據的邏輯結構，這樣一來當數據的物理存儲結構改變時，用戶的程序不用改變。
邏輯獨立性是指用戶的應用程序與資料庫的邏輯結構是相互獨立的，也就是說，數據的邏輯結構改變了，用戶程序也可以不改變。
數據與程序的獨立，把數據的定義從程序中分離出去，加上存取數據的由DBMS負責提供，從而簡化了應用程序的編制，大大減少了應用程序的維護和修改。 [1]
數據由DBMS統一管理和控制
資料庫的共享是並發的（concurrency）共享，即多個用戶可以同時存取資料庫中的數據，甚至可以同時存取資料庫中的同一個數據。
DBMS必須提供以下幾方面的數據控制功能：
數據的安全性保護（security）
數據的完整性檢查（integrity）
資料庫的並發訪問控制（concurrency）
資料庫的故障恢復（recovery）

㈡ 什麼是大數據以及大數據的特性有哪些

大數據從整體上看分為四個特點，
第一，大量。

衡量單位PB級別，存儲內容多。
第二，高速。

大數據需要在獲取速度和分析速度上要及時迅速。保證在短時間內更多的人接收到信息。
第三，多樣。

數據的來源是各種渠道上獲取的，有文本數據，圖片數據，視頻數據等。因此數據是多種多樣的。
第四，價值。

大數據不僅僅擁有本身的信息價值，還擁有商業價值。大數據在結構上還分為：結構化，半結構化，非結構化。結構化簡單來講是資料庫，是由二維表來邏輯表達和實現的數據。非結構化即數據結構不規則或不完整，沒有預定義的數據模型。由人類產生的數據大部分是非結構化數據。

㈢ 資料庫系統由那幾部分組成的呢

資料庫系統由4個部分組成：

1、資料庫（database，DB）是指長期存儲在計算機內的，有組織，可共享的數據的集合。資料庫中的數據按一定的數學模型組織、描述和存儲，具有較小的冗餘，較高的數據獨立性和易擴展性，並可為各種用戶共享。

2、硬體：構成計算機系統的各種物理設備，包括存儲所需的外部設備。硬體的配置應滿足整個資料庫系統的需要。

3、軟體：包括操作系統、資料庫管理系統及應用程序。其主要功能包括：數據定義功能、數據操縱功能、資料庫的運行管理和資料庫的建立與維護。

4、人員：主要有4類。第一類為系統分析員和資料庫設計人員；第二類為應用程序員，負責編寫使用資料庫的應用程序。；第三類為最終用戶，他們利用系統的介面或查詢語言訪問資料庫。第四類用戶是資料庫管理員（data base administrator，DBA），負責資料庫的總體信息控制。

(3)資料庫多樣性擴展閱讀

資料庫系統特點：

1、能夠保證數據的獨立性。數據和程序相互獨立有利於加快軟體開發速度，節省開發費用。

2、冗餘數據少，數據共享程度高。

3、系統的用戶介面簡單，用戶容易掌握，使用方便。

4、能夠確保系統運行可靠，出現故障時能迅速排除；能夠保護數據不受非受權者訪問或破壞；能夠防止錯誤數據的產生，一旦產生也能及時發現。

5、有重新組織數據的能力，能改變數據的存儲結構或數據存儲位置，以適應用戶操作特性的變化，改善由於頻繁插入、刪除操作造成的數據組織零亂和時空性能變壞的狀況。

6、具有可修改性和可擴充性。

7、能夠充分描述數據間的內在聯系。

㈣ 大數據的弱點主要是精確性，可靠性，因果性，多樣性嗎

不對，大數據的弱點主要是多樣性，前面是它的優點。

㈤ 大數據 數據分析 數據挖掘有什麼區別

• 數據分析與數據挖掘的目的不一樣，數據分析是有明確的分析群體，就是對群體進行各個維度的拆、分、組合，來找到問題的所在，而數據挖掘的目標群體是不確定的，需要我們更多是是從數據的內在聯繫上去分析，從而結合業務、用戶、數據進行更多的洞察解讀。
  

• 數據分析與數據挖掘的思考的方式不同，一般來講，數據分析是根據客觀的數據進行不斷的驗證和假設，而數據挖掘是沒有假設的，但你也要根據模型的輸出給出你評判的標准。

我們經常做分析的時候，數據分析需要的思維性更強一些，更多是運用結構化、MECE的思考方式，類似程序中的IF else

而數據挖掘大多數是大而全，多而精，數據越多模型越可能精確，變數越多，數據之間的關系越明確，什麼變數都要，先從模型的意義上選變數（大而全，多而精），之後根據變數的相關系程度、替代關系、重要性等幾個方面去篩選，最後全扔到模型裡面，最後從模型的參數和解讀的意義來判斷這種方式合不合理。

• 大數據感覺並不是數據量大，也不是數據復雜，這些都可以用工具和技術去處理，而是它可以做到千人千面，而且是實時判斷規則。

  例如定向廣告的推送，就是大數據，它根據你以往的瀏覽行為，可以准確的給你推相關的信息，基本做到了你一個人就是一個資料庫，而不是一條數據。但我們所作的數據分析更多是針對群體的，而非針對每個個人。

所以大數據時代也顯露出了各類問題，數據的隱私、數據殺熟、數據孤島等，這也許就是我們目前看到大數據分析更看重的是技術、手段的原因。

㈥ 非結構性的資料庫系統有哪些

非結構性的資料庫系統有：

1、High performance——對資料庫高並發讀寫的需求。

2、Huge Storage——對海量數據的高效率存儲和訪問的需求。

3、High Scalability && High Availability——對資料庫的高可擴展性和高可用性的需求。

基本含義Nosql(NoSQL = Not Only SQL )，意即「不僅僅是SQL」，是一項全新的資料庫革命性運動，早期就有人提出，發展至2009年趨勢越發高漲。

計算機信息化系統

中的數據分為結構化數據和非結構化數據。非結構化數據其格式非常多樣，標准也是多樣性的，而且在技術上非結構化信息比結構化信息更難標准化和理解。所以存儲、檢索、發布以及利用需要更加智能化的IT技術，比如海量存儲、智能檢索、知識挖掘、內容保護、信息的增值開發利用等。

㈦ 資料庫中常用的英語單詞有哪些

下列是一些資料庫中經常碰到的英文單詞：
Access method（訪問方法）：此步驟包括從文件中存儲和檢索記錄。
Alias（別名）：某屬性的另一個名字。在SQL中，可以用別名替換表名。
Alternate keys（備用鍵，ER/關系模型）：在實體/表中沒有被選為主健的候選鍵。
Anomalies（異常）參見更新異常（update anomalies）
Application design（應用程序設計）：資料庫應用程序生命周期的一個階段，包括設計用戶界面以及使用和處理資料庫的應用程序。
Attribute（屬性）（關系模型）：屬性是關系中命名的列。
Attribute（屬性）（ER模型）：實體或關系中的一個性質。
Attribute inheritance（屬性繼承）：子類成員可以擁有其特有的屬性，並且繼承那些與超類有關的屬性的過程。
Base table（基本表）：一個命名的表，其記錄物理的存儲在資料庫中。
Binary relationship（二元關系）：一個ER術語，用於描述兩個實體間的關系。例如，panch Has Staff。
Bottom-up approach（自底向上方法）：用於資料庫設計，一種設計方法學，他從標識每個設計組建開始，然後將這些組件聚合成一個大的單元。在資料庫設計中，可以從表示屬性開始底層設計，然後
將這些屬性組合在一起構成代表實體和關系的表。
Business rules（業務規則）：由用戶或資料庫的管理者指定的附加規則。
Candidate key（候選鍵，ER關系模型）：僅包含唯一標識實體所必須得最小數量的屬性/列的超鍵。
Cardinality（基數）：描述每個參與實體的可能的關系數目。
Centralized approach（集中化方法,用於資料庫設計）：將每個用戶試圖的需求合並成新資料庫應用程序的一個需求集合
Chasm trap（深坑陷阱）：假設實體間存在一根，但某些實體間不存在通路。
Client（客戶端）：向一個或多個伺服器請求服務的軟體應用程序。
Clustering field（群集欄位）：記錄總的任何用於群集（集合）航記錄的非鍵欄位，這些行在這個欄位上有相同的值。
Clustering index（群集索引）：在文件的群集欄位上定義的索引。一個文件最多有一個主索引或一個群集索引。
Column（列）：參加屬性（attribute）。
Complex relationship（復雜關系）：度數大於2的關系。
Composite attribute（復合屬性）：由多個簡單組件組成的屬性。
Composite key（復合鍵）：包含多個列的主健。
Concurrency control（並發控制）：在多用戶環境下同時執行多個十五並保證數據完整性的一個DBMS服務。
Constraint（約束）：資料庫不允許包含錯誤數據的一致性規則。
Data conversion and loading（數據轉換和載入）：資料庫應用生命周期重的一個階段，包括轉換現有數據到新資料庫中以及醬下耨應用程序轉換到新的資料庫上運行。
Data dictionary（數據字典）：參見系統目錄（system catalog）。
Data independence（數據獨立性）：使用數據的應用程序的數據描述部分。這意味著，如果將新的數據結構添加到資料庫中，或者資料庫中現有的結構被修改了，那麼使用此資料庫的就會受到影響，除
非應用程序不直接依賴於被修改的部分。
Data model（數據模型）：描述數據、數據間關系以及數據的約束的概念的一個集成的集合。
Data rendancy（數據冗餘）：參見冗餘數據（rendant data）。
Data security（數據安全）：包括對資料庫對象（如表和視圖）的訪問和使用以及用戶可以在這些對象上實施的操作。
Database（資料庫）：是邏輯上相關的數據（以及這些數據的描述）的一個共享的集合，用於解決公司對信息的需求。
Database design（資料庫設計）：資料庫應用生命周期中的一個階段，包括創建一個支持公司的操作和目標的資料庫的設計。
Database integrity（資料庫完整性）：指存儲數據的正確定和一致性。完整性通常用約束來表達。
Database Management System，DBMS（資料庫管理系統）：一個能夠讓用戶定義、創建和維護資料庫並控制對資料庫的訪問的軟體系統。
Database planning（資料庫規劃）：能盡可能有效的實現資料庫應用的各階段的管理活動。
Database server（資料庫伺服器）：同伺服器。
DBMS engine（DBMS引擎）：同伺服器。
DBMS selection（DBMS選擇）：資料庫應用生命周期中的一個階段，包括選擇一個合適的DBMS來支持資料庫應用。
Degree of a relationship（關系的度）：一個關系中參與的實體的個數。
Denormalization（反規范化）：形式上，這個術語指的是對基本表結構的修改，這樣新的表比原始的表的規范化程度要低。但也可以用此屬於更寬泛地形容將兩個表和並成一個新表的情形，而這個新表
與原來的表具有相同的範式，但比原表包含更多的空值。
Derived attribute（派生屬性）：表示其值可以從一個相關屬性和屬性集的值派生得到的屬性，這個屬性在實體中不是必須的。
Design methodology（設計方法學）：一種結構化的方法，它使用過程、工具和文檔來支持和簡化設計過程。
Disjoint constraint（無連接約束）：描述子類的成員間的關系，並指明超類某個成員是否有可能成為一個或多個子類的成員。
Domain（域）：一個或多個屬性的取值范圍。
Entity（實體）：具有相同性質的對象的集合，它是由用戶或公司標識並可獨立存在的。
Entity integrity（實體完整性）：在一個基本表中，主健列的值不能為空。
Entity occurrence（實體出現）：實體中的一個唯一可標識的對象。
Entity-Relationship model（實體關系模型）：公司的實體、屬性和關系的詳細邏輯表示。
Fact-finding（事實發現）：使用諸如面談和提問等技術收集關於系統的事實、需求和性能的形式化過程。
Fan trap（扇形陷阱）：但從第三個實體扇出的兩個實體有1:*關系時出現扇形陷阱，但這兩個實體在他們之間應該有直接關系以提供必要的信息
Field（欄位）：同元組（Tuple）。
File（文件）：存儲在副主存儲器中的相關記錄的一個命名集合。
File-based system（基於文件的系統）：一個文件集合，用來管理（創建、插入、刪除、更新和檢索）一個或多個文件中的數據，並產生基於這些文件中的數據的應用（通常是報表）。
File organization（文件組織）：當文件存儲在磁碟上時，對文件中的記錄的安排方式。
First normal form（1NF，第一範式）：表中的每個列的交叉處以及記錄包含切進包含一個值的表。
Foreign key（外健）：一個表中的一個列或者多個列的集合，這些列匹配某些其他（也可能是同一個）表中的候選鍵。
4GL, Fourth-Generation Language（第四代語言）：一種非過程化語言，比如SQL，他只需要用戶定義必須完成什麼操作，4GL負責將所進行的操作翻譯成如何實現這些操作。
Full functional dependency（完全函數依賴）：一個列在功能上依賴於復合主健，但不依賴於主健的任何一個子集的條件。
Functional dependency（函數依賴）：描述表中列之間的關系。
Generalization（泛化）：通過標識實體間的公共特徵使實體間差別最小化的過程。
Generalization hierarchy（泛化層次結構）：同類型層次（type hierarchy）。
Global data model（全局數據模型）：代表整個公司（和被模型化的公司的一部分）的數據模型。
Implementation（實現）：資料庫應用生命周期中的一個階段，包括資料庫和應用程序設計的物理實現。
Index（索引）：一種允許DBMS將特定的記錄更快的放置到文件中，從而加快對用戶查詢的響應的數據結構。
Infomation system（信息系統）：能夠在整個公司范圍內收集、管理、控制和分發數據/信息的資源。
Inheritance（繼承）：參見屬性繼承（attribute inheritance）。
Integrity constaints（完整性約束）：防止出現資料庫中的數據不一致的約束。
IS-A hierarchy（IS－A層次結構）：同類型層次結構（type hierarchy）。
Local logical data model（局部邏輯數據模型）：代表特定用戶視圖或用戶視圖的組合的數據模型。
Logical database design（邏輯資料庫設計）：基於特定的數據模型構建公司的數據的模型的過程，但不依賴於特定的DBMS以及其他的物理條件。
Meta-data（元數據）：關於數據的數據，參見系統目錄（system catalog）。
Mision objective（使命目標）：標識資料庫必須支持的特定任務。
Mission statement（使命語句）：定義資料庫應用程序的主要目標。
Multiplicity（多樣性）：定義與某個相關實體的一次出現有關的實體的出現數目。
Multi-valued attribute（多值屬性）：為一個實體的出現保存多個值的屬性。
Nonkey attribute/column（非鍵屬性/列）：不是鍵的一部分的屬性/列。
Normal forms（範式）：規范化過程的一個階段。前三個範式分別為第一範式（1NF）、第二範式（2NF）、第三範式（3NF）。
Normalization（規范化）：一種產生帶有需要的特性的技術，這種特性能支持用戶和公司的需求。
差不多就是這些了。

㈧ mysql資料庫和oracle資料庫的區別

1、體積不同。
Oracle它體積比較龐大，一般是用來開發大型應用（例如分布式）的。而MySQL的體積相對來說比較小，較之Oracle更容易安裝、維護以及管理，操作也簡單，最重要的是它是三個中唯一一個開源資料庫，但目前也屬於Oracle公司的產品了。
2、容量不同。
Oracle容量無限，根據配置決定；而MySQL使用MyISAM存儲引擎，最大表尺寸為65536TB。 MySQL資料庫的最大有效表尺寸通常是由操作系統對文件大小的限制決定的，而不是由MySQL內部限制決定。
3、平台支持及速度的區別。
Oracle支持大多數平台；而MySQL支持各種平台，適合Linux。至於速度，Oracle在Linux下的性能，在少量數據時速度低於MySQL，在千萬級時速度快於MySQL。
4、資料庫崩潰造成的影響不同。
Oracle資料庫崩潰後恢復很麻煩，因為他把很多東西放在內存里；資料庫連接要慢些，最好用連接池；而MySQL使用預設的IP埠，但是有時候這些IP也會被一些黑客闖入，使用MyISAM配置，不慎損壞資料庫，結果可能會導致所有的數據丟失。
5、性能的區別。
Oracle全面，完整，穩定，但一般數據量大，對硬體要求較高 ；而MySQL使用CPU和內存極少，性能很高，但擴展性較差。
6、授權價格區別。
Oracle價格較貴，例如Oracle 10G/11G 標准版 [10用戶]¥25600 ，Oracle 10G/11G 標准版 [1CPU無限用戶] ¥157600。而MySQL採用雙重授權，他們是GPL和MySQLAB制定的商業許可協議。如果你在一個遵循GPL的自由項目中使用 MySQL，那麼你可以遵循GPL協議免費使用MySQL。否則，你需要購買MySQLAB制定的那個商業許可協議。

㈨ 大數據存儲與應用特點及技術路線分析

大數據存儲與應用特點及技術路線分析

大數據時代，數據呈爆炸式增長。從存儲服務的發展趨勢來看，一方面，對數據的存儲量的需求越來越大；另一方面，對數據的有效管理提出了更高的要求。大數據對存儲設備的容量、讀寫性能、可靠性、擴展性等都提出了更高的要求，需要充分考慮功能集成度、數據安全性、數據穩定性，系統可擴展性、性能及成本各方面因素。

大數據存儲與應用的特點分析

「大數據」是由數量巨大、結構復雜、類型眾多數據構成的數據集合，是基於雲計算的數據處理與應用模式，通過數據的整合共享，交叉復用形成的智力資源和知識服務能力。其常見特點可以概括為3V:Volume、Velocity、Variety(規模大、速度快、多樣性)。

大數據具有數據規模大(Volume)且增長速度快的特性，其數據規模已經從PB級別增長到EB級別，並且仍在不斷地根據實際應用的需求和企業的再發展繼續擴容，飛速向著ZB(ZETA-BYTE)的規模進軍。以國內最大的電子商務企業淘寶為例，根據淘寶網的數據顯示，至2011年底，淘寶網最高單日獨立用戶訪問量超過1.2億人，比2010年同期增長120%,注冊用戶數量超過4億，在線商品數量達到8億，頁面瀏覽量達到20億規模，淘寶網每天產生4億條產品信息，每天活躍數據量已經超過50TB.所以大數據的存儲或者處理系統不僅能夠滿足當前數據規模需求，更需要有很強的可擴展性以滿足快速增長的需求。

(1)大數據的存儲及處理不僅在於規模之大，更加要求其傳輸及處理的響應速度快(Velocity)。

相對於以往較小規模的數據處理，在數據中心處理大規模數據時，需要服務集群有很高的吞吐量才能夠讓巨量的數據在應用開發人員「可接受」的時間內完成任務。這不僅是對於各種應用層面的計算性能要求，更加是對大數據存儲管理系統的讀寫吞吐量的要求。例如個人用戶在網站選購自己感興趣的貨物，網站則根據用戶的購買或者瀏覽網頁行為實時進行相關廣告的推薦，這需要應用的實時反饋;又例如電子商務網站的數據分析師根據購物者在當季搜索較為熱門的關鍵詞，為商家提供推薦的貨物關鍵字，面對每日上億的訪問記錄要求機器學習演算法在幾天內給出較為准確的推薦，否則就丟失了其失效性；更或者是計程車行駛在城市的道路上，通過GPS反饋的信息及監控設備實時路況信息，大數據處理系統需要不斷地給出較為便捷路徑的選擇。這些都要求大數據的應用層可以最快的速度，最高的帶寬從存儲介質中獲得相關海量的數據。另外一方面，海量數據存儲管理系統與傳統的資料庫管理系統，或者基於磁帶的備份系統之間也在發生數據交換，雖然這種交換實時性不高可以離線完成，但是由於數據規模的龐大，較低的數據傳輸帶寬也會降低數據傳輸的效率，而造成數據遷移瓶頸。因此大數據的存儲與處理的速度或是帶寬是其性能上的重要指標。

(2)大數據由於其來源的不同，具有數據多樣性的特點。

所謂多樣性，一是指數據結構化程度，二是指存儲格式，三是存儲介質多樣性。對於傳統的資料庫，其存儲的數據都是結構化數據，格式規整，相反大數據來源於日誌、歷史數據、用戶行為記錄等等，有的是結構化數據，而更多的是半結構化或者非結構化數據，這也正是傳統資料庫存儲技術無法適應大數據存儲的重要原因之一。所謂存儲格式，也正是由於其數據來源不同，應用演算法繁多，數據結構化程度不同，其格式也多種多樣。例如有的是以文本文件格式存儲，有的則是網頁文件，有的是一些被序列化後的比特流文件等等。所謂存儲介質多樣性是指硬體的兼容，大數據應用需要滿足不同的響應速度需求，因此其數據管理提倡分層管理機制，例如較為實時或者流數據的響應可以直接從內存或者Flash(SSD)中存取，而離線的批處理可以建立在帶有多塊磁碟的存儲伺服器上，有的可以存放在傳統的SAN或者NAS網路存儲設備上，而備份數據甚至可以存放在磁帶機上。因而大數據的存儲或者處理系統必須對多種數據及軟硬體平台有較好的兼容性來適應各種應用演算法或者數據提取轉換與載入(ETL)。

大數據存儲技術路線最典型的共有三種：

第一種是採用MPP架構的新型資料庫集群，重點面向行業大數據，採用Shared Nothing架構，通過列存儲、粗粒度索引等多項大數據處理技術，再結合MPP架構高效的分布式計算模式，完成對分析類應用的支撐，運行環境多為低成本 PC Server，具有高性能和高擴展性的特點，在企業分析類應用領域獲得極其廣泛的應用。

這類MPP產品可以有效支撐PB級別的結構化數據分析，這是傳統資料庫技術無法勝任的。對於企業新一代的數據倉庫和結構化數據分析，目前最佳選擇是MPP資料庫。

第二種是基於Hadoop的技術擴展和封裝，圍繞Hadoop衍生出相關的大數據技術，應對傳統關系型資料庫較難處理的數據和場景，例如針對非結構化數據的存儲和計算等，充分利用Hadoop開源的優勢，伴隨相關技術的不斷進步，其應用場景也將逐步擴大，目前最為典型的應用場景就是通過擴展和封裝 Hadoop來實現對互聯網大數據存儲、分析的支撐。這裡面有幾十種NoSQL技術，也在進一步的細分。對於非結構、半結構化數據處理、復雜的ETL流程、復雜的數據挖掘和計算模型，Hadoop平台更擅長。

第三種是大數據一體機，這是一種專為大數據的分析處理而設計的軟、硬體結合的產品，由一組集成的伺服器、存儲設備、操作系統、資料庫管理系統以及為數據查詢、處理、分析用途而特別預先安裝及優化的軟體組成，高性能大數據一體機具有良好的穩定性和縱向擴展性。

以上是小編為大家分享的關於大數據存儲與應用特點及技術路線分析的相關內容，更多信息可以關注環球青藤分享更多干貨

㈩ 數據倉庫，大數據和雲計算有什麼區別和聯系

您好，上海藍盟為您解答。
首先簡單的看一下雲計算與大數據的概念.
1)雲計算:雲計算本質上是一種計算資源集中分布和充分共享的效用計算模式,其中集中是為了計算資源的集約化管理,分布是便於擴展計算能力.集中分布式是針對雲服務提供商的,充分共享是針對用戶,在雲計算中,雖然對於每個雲用戶來說都擁有一台超級計算機,但本質上,這些用戶是充分共享了雲服務商所提供的計算服務.而效用計算更多的是一種商業模式,就是用戶按所需服務來付費.
2)在前面的博文中,對大數據有個討論,簡單的說,大數據的特點就是數據量大(雖然很多人都把大數據定義在T級別以上,其實我覺得這是有問題的,大數據的大其實應該是個相對概念,是相對於當前的存儲技術和計算能力的),數據應用需求大,計算量大.數據量大是最基本的,需求大其實包含了需求的數量、多樣性和實時性.計算量大是因為數據量大和需求量大和演算法復雜（檢索，推薦，模式識別）所致.大數據的這種特點使得我們很難找到通用的處理模式來解決大數據所面臨的問題，我們只能針對不同的需求採用不同的處理方法，這也是大數據處理比較困難的症結所在。無論是傳統的資料庫還是最近興起的NoSQL資料庫，在大數據存儲和處理方面其實都是有非常大的局限性的，所以分布式計算才在大數據處理中大興其道。Hadoop雖然提供了比較完整的一套處理模式，但相對於大數據所面臨的應用需求的多樣性而言，能處理的問題域也是十分有限的。
資料庫和數據倉庫的概念，大家google一下就可以了，接下來，我們看看它們之間的關系：
1）資料庫和數據倉庫都是數據的一種存儲方式，大數據處理更多的是一種需求(問題)，而雲計算是一種比較綜合的需求(問題)解決方案。
2)由於雲計算本身的特性，天生就面臨大數據處理(存儲、計算等)問題，因為雲計算的基本架構模式是C/S模式，其中S相對集中，而C是廣泛分布。所有用戶的數據和絕大部分的計算都是在S端完成的（數據量大，計算量大），加上用戶也天然具有多樣性（地域，文化，需求，個性化等），因此需求（也包括計算量）就非常大。
3)雲計算當然會涉及到數據的存儲技術，但資料庫技術對於雲計算來說要視具體的情況來分析：
A)對於IaaS而言，資料庫技術不是必需的，也不是必備的功能；
B)對於PaaS來說，資料庫功能應該是必備的功能
C)對於SaaS而言，必然會用到資料庫技術（包括傳統關系資料庫和NoSQL資料庫）。
而對於數據倉庫技術，並不是雲計算所必需的，但由於雲數據的信息價值極大，類似一座金礦，我想雲服務商是不可能放過從這些金礦中提取金子的.
4)大數據首先所面臨的問題就是大數據的存儲問題，一般都會綜合運用各種存儲技術（文件存儲，資料庫存儲），當然，你完全用文件存儲或者資料庫存儲來解決，也是沒問題的。與雲計算類似，數據倉庫技術不是必需的，但對於數據倉庫技術對於結構化數據進行淘金還是非常有用的，當然，你不用數據倉庫技術也可以，比如Hadoop模式。
在雲計算和大數據處理中，最基礎的技術其實是分布式計算技術。而對於構建分布式計算而言，多線程，同步，遠程調用(RPC,RMI等)，進程管理與通信是其基本技術點。分布式計算編程是一種綜合性應用編程，不僅需要有基本的技術點，還需要一定的組織管理知識。
就目前來說，雲計算和大數據處理其實都沒有形成一個統一的標准和定義。希望我的回復對您有所幫助。