在构建任何软件应用程序时，选择合适的数据库至关重要。所有数据库在性能方面都有不同的优势和劣势，因此，为您的特定用例和数据模型确定哪种数据库的优势最大，劣势最小，是一项重要的决策。下面您将找到 Google BigQuery 和 AWS Redshift 的关键概念、架构、功能、用例和定价模型的概述，以便您可以快速了解它们之间的比较情况。
本文的主要目的是比较 Google BigQuery 和 AWS Redshift 在涉及 时序数据 的工作负载中的性能，而不是针对所有可能的用例。时序数据通常在数据库性能方面提出独特的挑战。这是由于写入的数据量很大以及访问该数据的查询模式。本文并非旨在说明哪个数据库更好；它只是提供了每个数据库的概述，以便您可以做出明智的决定。
Google BigQuery 与 AWS Redshift 细分
 |
 |
|
| 数据库模型 | 数据仓库 |
数据仓库 |
| 架构 | BigQuery 是 Google Cloud Platform 提供的完全托管的无服务器数据仓库。它专为高性能分析而设计，并利用 Google 的基础设施进行数据处理。BigQuery 使用列式存储格式进行快速查询，并支持标准 SQL。数据在 Google Cloud 区域内的多个可用区中自动分片和复制 |
AWS Redshift 使用列式存储格式进行快速查询，并支持标准 SQL。Redshift 使用分布式、共享无架构，其中数据在多个计算节点之间进行分区。每个节点又进一步划分为切片，每个切片并行处理数据子集。Redshift 可以部署在单节点或多节点集群中，后者为大型数据集提供更好的性能。 |
| 许可 | 闭源 |
闭源 |
| 用例 | 商业分析、大规模数据处理、数据集成 |
商业分析、大规模数据处理、实时仪表板、数据集成、机器学习 |
| 可扩展性 | 无服务器、PB 级数据仓库，可以处理海量数据，无需预先进行容量规划 |
支持独立扩展存储和计算，并支持根据需要添加或删除节点 |
正在寻找最有效的入门方式？
无论您是追求成本节约、更低的运营管理开销还是开源，InfluxDB 都能助您一臂之力。
Google BigQuery 概览
Google BigQuery 是 Google Cloud 开发的完全托管的无服务器数据仓库和分析平台。BigQuery 于 2011 年推出，旨在处理大规模数据处理和查询，使用户能够实时分析海量数据集。BigQuery 专注于性能、可扩展性和易用性，适用于广泛的数据分析用例，包括商业智能、日志分析和机器学习。
AWS Redshift 概览
Amazon Redshift 是云中完全托管的 PB 级数据仓库服务。它于 2012 年作为 AWS 产品套件的一部分推出。Redshift 专为分析工作负载而设计，并与各种数据加载和 ETL 工具以及商业智能和报告工具集成。它使用列式存储来优化存储成本并提高查询性能。
Google BigQuery 用于时序数据
BigQuery 可用于存储和分析时序数据，尽管它更侧重于传统的数据仓库用例。对于需要低延迟响应时间的用例，BigQuery 可能会遇到困难
AWS Redshift 用于时序数据
AWS Redshift 可用于时序数据工作负载，尽管 Redshift 针对更通用的数据仓库用例进行了优化。用户可以利用日期和时间相关函数来聚合、过滤和转换时序数据。Redshift 还提供“时序表”，允许将数据存储在基于固定保留期的表中。
Google BigQuery 关键概念
与 Google BigQuery 相关的一些重要概念包括
- 项目：BigQuery 中的项目表示数据集、表和视图等资源的顶层容器。
- 数据集：数据集是 BigQuery 中表、视图和其他数据资源的容器。
- 表：表是 BigQuery 中的主要数据存储结构，由行和列组成。
- 架构：架构定义表的结构，包括列名、数据类型和约束。
AWS Redshift 关键概念
- 集群：Redshift 集群是一组节点，由一个领导节点和一个或多个计算节点组成。领导节点管理与客户端应用程序的通信，并协调计算节点之间的查询执行。
- 计算节点：这些节点存储数据并并行执行查询。集群中计算节点的数量会影响其存储容量和查询性能。
- 列式存储：Redshift 使用列式存储格式，该格式以列而不是行的方式存储数据。这种格式提高了查询性能并减少了存储空间需求。
- 节点切片：计算节点分为切片。每个切片都分配有节点内存和磁盘空间的相等部分，并在其中处理加载数据的一部分。
Google BigQuery 架构
Google BigQuery 的架构构建在 Google 的分布式基础设施之上，专为高性能和可扩展性而设计。BigQuery 的核心是使用名为 Capacitor 的列式存储格式，该格式可实现高效的数据压缩和快速查询性能。数据会自动分区并分布在多个存储节点上，从而提供高可用性和容错能力。BigQuery 的无服务器架构自动为查询和数据存储分配资源，无需用户管理基础设施或容量规划。
AWS Redshift 架构
Redshift 的架构基于分布式和共享无架构。集群由一个领导节点和一个或多个计算节点组成。领导节点负责协调查询执行，而计算节点存储数据并并行执行查询。数据以列式格式存储，从而提高查询性能并减少存储空间需求。Redshift 使用大规模并行处理 (MPP) 在多个节点之间分布和执行查询，使其能够水平扩展并为大规模数据仓库工作负载提供高性能。
免费时序数据库指南
获取对备选方案和选择您的数据库的关键要求的全面回顾。
Google BigQuery 功能
列式存储
BigQuery 的列式存储格式 Capacitor 可实现高效的数据压缩和快速查询性能，使其适用于大规模数据分析。
与 Google Cloud 集成
BigQuery 与其他 Google Cloud 服务（例如 Cloud Storage、Dataflow 和 Pub/Sub）无缝集成，从而可以轻松地从各种来源提取、处理和分析数据。
机器学习集成
BigQuery ML 使户能够直接在 BigQuery 中创建和部署机器学习模型，从而简化了构建和部署机器学习应用程序的过程。
AWS Redshift 功能
可扩展性
Redshift 允许您通过添加或删除计算节点来向上或向下扩展集群，从而使您能够根据需要调整存储容量和查询性能。
性能
Redshift 的列式存储格式和 MPP 架构使其能够为大规模数据仓库工作负载提供高性能的查询执行。
安全性
Redshift 提供一系列安全功能，包括静态和传输中加密、使用 Amazon Virtual Private Cloud (VPC) 的网络隔离以及与 AWS Identity and Access Management (IAM) 集成以进行访问控制。
Google BigQuery 用例
商业智能和报告
BigQuery 广泛用于商业智能和报告，使用户能够分析大量数据并生成洞察，从而为决策提供信息。其快速的查询性能以及与流行的 BI 工具（例如 Google Data Studio 和 Tableau）的无缝集成使其成为此用例的理想解决方案。
机器学习和预测分析
BigQuery ML 使户能够直接在 BigQuery 中创建和部署机器学习模型，从而简化了构建和部署机器学习应用程序的过程。BigQuery 的快速查询性能和对大规模数据处理的支持使其适用于预测分析用例。
数据仓库和 ETL
BigQuery 的分布式架构和列式存储格式使其成为数据仓库和 ETL（提取、转换、加载）工作流程的绝佳选择。它与其他 Google Cloud 服务（例如 Cloud Storage 和 Dataflow）的无缝集成简化了从各种来源提取和处理数据的过程。
AWS Redshift 用例
数据仓库
Redshift 专为大规模数据仓库工作负载而设计，为存储和分析结构化数据提供可扩展且高性能的解决方案。
商业智能和报告
Redshift 与各种 BI 和报告工具集成，使组织能够从其数据中获得洞察并做出数据驱动的决策。
ETL 和数据集成
Redshift 支持数据加载和提取、转换和加载 (ETL) 流程，使您可以集成来自各种来源的数据并为分析做好准备。
Google BigQuery 定价模型
Google BigQuery 定价基于按需付费模式，费用由数据存储、查询和流式处理决定。BigQuery 定价主要有两个组成部分
- 存储定价：存储成本基于 BigQuery 中存储的数据量。用户需要为活动存储和长期存储付费，对于不常访问的数据，长期存储以折扣价提供。
- 查询定价：查询成本基于查询期间处理的数据量。用户可以在按需定价（按每次查询处理的数据付费）或固定费率定价（为一定量的查询容量提供固定的月度成本）之间进行选择。
AWS Redshift 定价模型
Amazon Redshift 提供两种定价模式：按需实例和预留实例。通过按需定价，您可以按小时为使用的容量付费，而无需长期承诺。预留实例提供选择预留一年或三年期限的容量的选项，与按需定价相比，每小时费率更低。除了这些定价模式之外，您还可以在不同的节点类型之间进行选择，这些节点类型提供不同数量的存储、内存和计算资源。
免费开始使用 InfluxDB
InfluxDB Cloud 是开始存储和分析时序数据的最快方式。
