数据库选型大概是后端工程里信仰之争最多的议题:MySQL 还是 PostgreSQL、要不要上分布式、缓存该不该层层加。这类争论常常没有结论,因为多数讨论从引擎出发,而不是从问题出发。本系列前面十篇已把主流引擎逐个拆过——MySQL、PostgreSQL、SQLite、Redis、MongoDB、Elasticsearch、TiDB、OceanBase,加上向量检索系列的 ClickHouse、DuckDB、Qdrant、Milvus,单库的"怎么用"已经讲完。这篇收官之作回答更上游的问题:面对一个具体系统,到底该选哪个引擎、怎么组合、什么时候升级。
全文按"第一原则、总决策树、五大负载、组合的艺术、规模三档、反模式、向量之问"组织,读完你可以给自己的系统画出一张选型路线图。
1、选型的第一原则
**选型的第一原则:从 workload(负载)出发,不从流行度出发。**数据库不是越流行越好,而是越匹配负载越好。引擎的口碑由它的目标负载决定:Redis 快,因为数据全在内存、操作近乎 O(1);ClickHouse 快,因为列存加向量化执行,代价是单行更新极慢。把引擎用在它设计目标的负载上,"缺点"往往不存在;用错了负载,"优点"也救不了你。
工程上真正需要区分的是五种基本负载:
- OLTP:联机事务处理,短查询、高并发、要求 ACID 事务
- OLAP:联机分析处理,大范围扫描、聚合计算、批量导入
- 检索:全文搜索与相关度排序,倒排索引是核心
- 缓存:热数据高速读写,通常可容忍丢失
- 文档:半结构化存储,字段灵活、嵌套层级深
一个真实系统几乎总是多种负载的混合体:电商下单是 OLTP,销售报表是 OLAP,商品搜索是检索,购物车是缓存,商品参数是文档。所以选型的第一步不是问"选哪个库",而是问我的读写里哪种负载占大头。判断方法很朴素:拉出线上最频繁的 20 条查询和最慢的 20 条查询,看它们是在定位少量数据还是在扫描海量数据、要事务还是要吞吐,答案自然浮出水面。
2、总决策树
把选型逻辑压缩成一张图,按四层依次收敛:数据模型定门派,规模定形态,一致性要求定档次,运维预算做最终把关。完整决策树如下:
这张树的四层逻辑值得展开。第一层问数据模型,它决定门派:关系事务、文档、键值、检索、分析五条通道互不替代,门派选错,后面全部白费。第二层问规模,它决定单机还是集群:先估算数据量三年的增长,绝大多数系统到不了单机容量的天花板。第三层问一致性,它决定花多少钱:跨地域强一致是最贵的一档,金融级场景才值得为它引入分布式数据库。第四层问运维预算,这是最容易被忽略的隐形门槛:分布式系统的监控、扩缩容、故障演练都要人力,没有专职运维,分布式带来的复杂度会先于收益压垮团队。
决策树给的是起点,不是终点:先用它能支撑的最简架构上线,让升级信号决定后续演进。
3、五大负载详解
每类负载都有代表引擎、典型信号(该用它的迹象)与反信号(不该用它的迹象),对比如下:
| 负载 | 代表引擎 | 典型信号 | 反信号 |
|---|---|---|---|
| OLTP 事务 | MySQL、PostgreSQL | 短事务、多表关联、资金强一致 | 全表扫描跑报表、单表持续膨胀 |
| OLAP 分析 | ClickHouse、DuckDB | 宽表聚合、日志分析、批量导入 | 频繁单行更新、以点查为主 |
| 全文检索 | Elasticsearch、OpenSearch | 多条件过滤、相关度排序、高亮 | 存业务主数据、要求事务 |
| 键值缓存 | Redis、Valkey | 热点读、会话、队列、限流 | 冷数据大 value、依赖持久化 |
| 文档存储 | MongoDB | 字段多变、深层嵌套、快速迭代 | 复杂多表关联、报表统计 |
逐行补几句判断细节。OLTP 的分界在事务与点查:MySQL 与 PostgreSQL 都是成熟答案,本系列《MySQL 现代入门》与《PostgreSQL 现代入门》拆过它们的现代能力;预期单表数亿行或需要金融级跨机房容灾,才轮到 TiDB 与 OceanBase 登场。OLAP 先问数据量:单机能装下就用 DuckDB(DuckDB 官网),进程内嵌、零运维,站内《DuckDB 详解》有完整拆解;日志行为数据到十亿级、要实时看板,再上 ClickHouse 集群(ClickHouse 官网)。
检索型要守住"只做索引"的边界,《Elasticsearch 与 OpenSearch:检索双雄》对比过这对分家兄弟的取舍。缓存首选 Redis 官网 的 Redis 8 或开源分支 Valkey,许可风波的来龙去脉见《Redis 许可风波与 Valkey 始末》。文档型 MongoDB 的主场是字段多变、嵌套深,复杂多表关联是它的客场——那种需求应该回到关系型。
4、组合的艺术
真实系统几乎从不靠一个引擎包打天下,而是围绕一个事务主库组合多个专用引擎,各司其职。最经典的组合是 PostgreSQL(下文简称 PG)做主库、Redis 做缓存、Elasticsearch 做搜索、ClickHouse 做分析,数据流如下:
这张图的关键在主从关系:主库是唯一的事实来源,其余引擎都是派生视图——缓存可以重建,索引可以重放,数仓可以回灌。同步方式按实时性要求选:缓存用旁路模式,先查缓存、未命中再读库回填;搜索与分析走 CDC(变更数据捕获)订阅 binlog 或定时批量导出,各自容忍秒级到分钟级延迟。
三个经过验证的典型组合如下:
| 组合 | 架构构成 | 适用场景 |
|---|---|---|
| 内容平台 | PG 主库、ES 搜索、Redis 缓存 | 商品文章检索、热点内容加速 |
| 交易系统 | MySQL 业务库、ClickHouse 数仓 | 白天交易点查、后台实时报表 |
| AI 应用 | PG 主库、pgvector、Redis | 中小规模 RAG 问答系统 |
组合不是越多越好:每加一个引擎,运维面积、同步链路、故障排查的复杂度都上一个台阶。原则是主库只有一个,派生引擎必须可重建——做不到"可重建",它就悄悄变成第二个事实来源,数据不一致的噩梦从那里开始。
5、规模三档
规模决定架构,架构决定成本。把系统粗分三档,每档的架构特征与升级触发信号如下:
| 阶段 | 架构特征 | 升级触发信号 |
|---|---|---|
| 初创期 | 单库走天下,一台 PostgreSQL | 慢查询优化无效、连接数打满 |
| 成长期 | 读写分离加 Redis 热点缓存 | 分析查询拖垮主库、命中率见顶 |
| 规模期 | 分库分表或分布式数据库 | 单表数亿行、跨机房强容灾需求 |
初创期的正确姿势是一库走天下:工具类产品用 SQLite 官网 的单文件引擎就够,站内《SQLite 复兴》梳理过它的适用边界;服务器应用一台 PostgreSQL 承载全部业务,连缓存都可以先不加。这个阶段最忌讳为"以后会有千万用户"提前设计分布式——那个"以后"多数产品永远等不到。
成长期的第一个动作不是换数据库,而是加只读副本和 Redis 缓存:读写分离把报表与后台查询导走,缓存把热点读挡在内存层。九成"数据库不够快"的抱怨,其实是缓存和索引没做。规模期才轮到分库分表或分布式数据库,此时把专职运维人力算进成本,TiDB 与 OceanBase 的价值才真正兑现。
提醒:每一档升级都是单向门,回退的代价远大于前进。让信号触发升级,不要让焦虑触发升级。
6、反模式三警示
三个高频反模式全部源自"用错负载"或"过早优化",症状与纠正方向对比如下:
| 反模式 | 典型症状 | 纠正方向 |
|---|---|---|
| 过早分布式 | 十人以下团队上分片集群 | 单机加索引加缓存先撑住 |
| 缓存一切 | 所有读都过 Redis,一致性靠运气 | 只缓存热点,明确不一致窗口 |
| 搜索引擎当主库 | 业务数据只存 ES,丢数据才慌 | ES 只做索引,事实留在主库 |
过早分布式是最贵的一种:分布式解决的问题(突破单机上限)多数系统十年遇不到,带来的问题(分布式事务、脑裂处理、数据再平衡)从第一天就存在。团队没有专职运维就上分片集群,结局往往是把宕机从一台机器扩展到一组机器。
缓存一切是第二警示:缓存的价值在命中率,不在覆盖率。冷数据进缓存白白占用内存,写多读少的数据进缓存反而多一跳更新成本。只缓存有明确热点的数据,并在设计期就回答"缓存与库不一致的窗口有多长、业务能不能忍"。
第三警示是用搜索引擎当主库:Elasticsearch 的近实时写入意味着刷新前不可见,副本机制也不提供事务保证。正确姿势是业务事实只存主库,ES 只承担索引与排序,随时可从主库全量重建。
7、AI 时代的向量之问
RAG(检索增强生成)兴起后,每个选型决策都多了一问:要不要向量检索能力。正确做法是把这一问并进决策树,而不是为它推翻决策树,三句话分支如下:
- 已选 PostgreSQL 且向量在百万级以内:pgvector 扩展一库全能
- 向量是核心负载、规模上亿、要混合检索:Qdrant 或 Milvus
- 数据在端侧或嵌入式设备:sqlite-vec 就地解决
判断口诀是看向量属于附属需求还是主业务。附属需求用主库扩展——pgvector(GitHub 仓库)、Redis 8 向量集、MongoDB 向量搜索都属此类;主业务才上专业向量库,它的分布式检索、标量过滤与混合检索能力才是护城河。完整论证见向量检索系列《向量数据库全景与选型之争》与《混合检索实战》。
8、总结
选型决策树只有四层:数据模型定门派,规模定形态,一致性定档次,运维预算把关。五大负载各有信号与反信号;真实系统是围绕唯一主库的组合而非单一引擎;规模三档按信号升级,一库走天下是美德不是落后;过早分布式、缓存一切、搜索引擎当主库三大反模式,值得贴在工位上。
留一个练习:给自己手上的系统做一次选型复盘——拉出 Top 20 查询归类到五大负载,画一张属于你的决策树,对照反模式清单逐条自查,再回答向量之问。对于绝大多数还在单机时代的服务,建议从 PostgreSQL 一库走天下开始,让升级信号自然到来,而不是提前支付分布式的复杂度。
