前言 Neo4j是一款高性能的图数据库，它采用了图形数据模型来存储和处理数据。与传统的关系型数据库相比，Neo4j具有更高的可扩展性和更高效的查询性能，特别适用于需要处理复杂关系数据的应用场景。 Neo4j Graph Database & Analytics – The Leader in Graph DatabasesConnect data as it’s stored with Neo4j. Perform powerful, complex queries at scale and speed with our graph data platform.Graph Database & Analytics Neo4j的收费模式分为两种：开源版和企业版。开源版是免费的，可以用于个人或小型项目。企业版则需要付费，提供更多高级功能和技术支持。 主要功能 图形数据存储和查询：Neo4j使用图形数据模型来存储数据，可以轻松处理复杂的关系数据。 高效的查询性能：由于采用了图形数据模型，

数据模型分类 * 关系型数据库（RDBMS）：以表格形式存储数据，使用 SQL 语言进行查询和操作。 * 非关系型数据库（NoSQL）：不使用传统的关系型数据模型，而是采用其他数据模型，如文档型、键值对、列式、图形等。 处理方式分类 * 事务型数据库：支持事务处理和 ACID 特性（原子性、一致性、隔离性、持久性）。 * 非事务型数据库：不支持事务处理和 ACID 特性，但具有更高的性能和可扩展性。 部署方式分类 * 单机数据库：数据存储在单台计算机上，适用于小型应用。 * 分布式数据库：数据存储在多台计算机上，通过网络进行通信和协作，适用于大型应用和高并发场景。 存储方式分类 * 内存数据库：数据存储在内存中，查询和操作速度非常快，但数据容量受限。 * 磁盘数据库：数据存储在磁盘上，容量较大，但查询和操作速度相对较慢。 访问方式分类 * OLTP 数据库：面向事务型处理，

MySQL的DATETIME类型是精确到秒的，而Java的LocalDateTime类型是精确到纳秒的。因此，在将MySQL的DATETIME类型存入Java的LocalDateTime类型时，会发生四舍五入的情况。 例如，如果MySQL的DATETIME类型为2022-01-01 12:34:56.789，当它被存入Java的LocalDateTime类型时，会被四舍五入到2022-01-01 12:34:57。 为了避免这种情况，可以使用Java的java.sql.Timestamp类型来存储MySQL的DATETIME类型。这个类型也是精确到纳秒的，与LocalDateTime类型匹配，不会出现四舍五入的问题。

BufferPool官方文档： MySQL :: MySQL 8.0 Reference Manual :: 15.5.1 Buffer Pool 在InnoDB存储引擎中，为了提高MySQL服务性能，减少磁盘IO次数，故此所有的DML操作均是在内存中的 BufferPool 中完成。最后通过服务的异步刷盘策略把修改数据落盘到磁盘中。 为什么需要设计 BufferPool ？这里我想一般有计算机基础知识的人都知道，内存和硬盘的效率是天差地别的，对于CPU来说硬盘的传输以及响应时间性能太低下，故此 MySQL 设计出了 BufferPool 来映射磁盘中的真实数据，并在内存中进行数据的管理与操作，这样执行DML语句的效率不就起飞了吗？至于是如何保障内存中的 BufferPool 数据在宕机，掉电的场景不会出现丢失（物理打击除外😃，大力出奇迹，硬盘都给你扬了），之前我的文章中也有所讲解： MySQL 执行链路当客户端SQL语句提交给 MySQL 服务器时首先需要建立连接，连接器会与客户端进行连接，并校验用户身份信息，权限信息，如果权限通过，则通过SQL分析器对SQL语句进行语义分

前言 当客户端SQL语句提交给 MySQL 服务器时首先需要建立连接，连接器会与客户端进行连接，并校验用户身份信息，权限信息，如果权限通过，则通过SQL分析器对SQL语句进行语义分析（检查SQL语句是否合法，能否解析通过），分析完成后将会对SQL的执行过程进行优化，例如剔除不必要的查询条件 1=1 ，以及选择最优的索引与Where条件的字段排序。 然后交给执行器执行此SQL语句，执行器将会根据数据库所使用的存储引擎执行SQL。MySQL在设计时是分为了两层，即Server层和存储引擎层。这样做的好处就是解藕，可以根据不同的数据库去选择合适的存储引擎。 常用的InnoDB存储引擎是以页（16KB）为单位来管理存储空间的，任何的增删改差操作最终都会操作完整的一个页，会将整个页加载到 BufferPool 中并且所有的数据操作都是在 BufferPool 中完成，BufferPool 通常设置为服务器70%-80%左右的内存占用，这样数据的操作直接在内存中执行，从而提高数据操作的效率（如果每一条DML语句都要进行 IO 操作那么数据库的磁盘很容易变成瓶颈，改一条数据需要先从磁盘中读取，

HBase全称：Hadoop Database。 HBase是一种高可靠性，高性能，面向列的可扩展分布式存储系统，使用HBase技术在廉价的PC服务器上构建大规模结构化存储集群。 HBase的目标是存储和处理大量数据，特别是仅使用标准硬件配置即可处理包含数千行和列的大量数据，可处理PB级别数据存储，亿级QPS查询。 它适用于实时性要求不高的业务场景，HBase存储Byte数组，该数组不介意数据类型，从而允许动态，灵活的数据模型。 架构解析： HBase由HMaster和HRegionServer组成，并且遵循主从服务器体系结构。 HBase将逻辑表分为多个数据块HRegion，并将它们存储在HRegionServer中。 HMaster负责管理所有HRegionServer。 它本身不存储任何数据，而仅存储数据到HRegionServer的映射(元数据)。 群集中的所有节点均由Zookeeper协调，并处理HBase操作期间可能遇到的各种问题。 HBase的基本架构如下所示： 客户端：使用HBase的RPC机制与HMaster和HRegionServer通信，提交请求并获得