数据库主要分为传统的关系型数据库，和近些年流行起来的NoSql。
举了个最简单的数据库例子，有点像我以前实现过的，持久化数据，不存入数据库，就在文件里弄个txt文件，用IO流每次在最后一行存个固定格式的数据。
索引，可以增加数据库查询时的速度，但维护索引需要格外的开销与内存，在写入操作时也会增加时间。
哈希索引， B树，LSM树（日志结构存储），介绍了每种的优缺点。关系型数据库好像用的就是B树
数据仓库是一个独立的数据库，分析人员可以查询他们想要的内容而不影响OLTP操作。这是大公司才有的烦恼，怪不得我在工作中没怎么遇到这种问题。
我们看到存储引擎分为两大类：优化 事务处理（OLTP） 或 在线分析（OLAP） 。这些用例的访问模式之间有很大的区别：
- OLTP系统通常面向用户，这意味着系统可能会收到大量的请求。为了处理负载，应用程序通常只访问每个查询中的少部分记录。应用程序使用某种键来请求记录，存储引擎使用索引来查找所请求的键的数据。磁盘寻道时间往往是这里的瓶颈。
- 数据仓库和类似的分析系统会低调一些，因为它们主要由业务分析人员使用，而不是由最终用户使用。它们的查询量要比OLTP系统少得多，但通常每个查询开销高昂，需要在短时间内扫描数百万条记录。磁盘带宽（而不是查找时间）往往是瓶颈，列式存储是这种工作负载越来越流行的解决方案。
在OLTP方面，我们能看到两派主流的存储引擎：
日志结构学派
只允许附加到文件和删除过时的文件，但不会更新已经写入的文件。 Bitcask，SSTables，LSM树，LevelDB，Cassandra，HBase，Lucene等都属于这个类别。
就地更新学派
将磁盘视为一组可以覆写的固定大小的页面。 B树是这种哲学的典范，用在所有主要的关系数据库中和许多非关系型数据库。