Narozdíl od řádkových (= klasické relační) databází ukládají jednotlivé záznamy po sloupcích. To je výhodné, když potřebuji zpracovávat a analyzovat opravdu velké množství dat.
V podstatě to funguje tak, že jednotlivé hodnoty ze stejného sloupce jsou uloženy na disku sekvenčně vedle sebe - tedy se k nim dá velmi rychle dostat.
Pořád je logicky struktura dat po řádcích, akorát rozdíl je ve způsobu ukládání dat, který je výhodnější právě pro určité úlohy a každý řádek může mít rozdílný počet sloupců
| ID Number | Last Name | First Name | Bonus |
|---|---|---|---|
| 534782 | Miller | Ginny | 6000 |
| 585523 | Parker | Peter | 8000 |
| 479148 | Stacy | Gwen | 2000 |
- v řádkové jsou data uloženy takto:
534782, Miller, Ginny, 6000; 585523, Parker, Peter, 8000; 479148, Stacy, Gwen, 2000 - ve sloupcové jsou data uloženy takto:
534782, 585523, 479148; Miller, Parker, Stacy; Ginny, Peter, Gwen; 6000, 8000, 2000
Existují “super sloupce”, které jsou složené z více sloupců
- např. super sloupec Adresa, složený ze sloupců Město, PSČ, Ulice atd.
Výhody
- rychle se dostanou ke konkrétním hodnotám konkrétního sloupce (nemusí číst nerelevantní data z jiných sloupců)
- tím pádem je možné dělat rychlé agregace (součty, průměry atd.)
- tím, že jsou za sebou uložené hodnoty jednoho sloupce, tak všechny mají podobný typ nebo formát → dobře se komprimují
- řádkové databáze musí mít oindexované sloupce, aby se mohly lépe dostávat k sloupcovým datům - to zde není potřeba (= self-indexing), šetřím místo na disku (které by jinak indexy zabíraly)
Nevýhody
- pokud upravuji či mažu řádky, tak mají nižší výkon
- je potřeba odstranit hodnoty ve všech sloupcích - a hodnoty jednoho řádku nejsou za sebou
- když mám složité dotazy, tak jsou méně flexibilní
Kdy chci použít sloupcovou databázi?
- když mám velké objemy dat, které se moc nemusí měnit (aktualizovat)
- když chci analyzovat data pomocí agregačních funkcí
Příklady
Apache Cassandra Amazon DynamoDB Apache Hbase