Druid是一款分布式、面向列的实时分析数据存储系统，旨在处理大规模数据并实现快速查询和分析。它适用于需要实时数据处理和低延迟查询的场景，如广告分析、日志处理和实时统计分析等。
github地址
https://github.com/apache/druid/
Apache Druid是一款分布式、面向列的实时分析数据存储系统，专为快速查询和摄取而设计。它适用于需要实时数据处理和低延迟查询的场景，如UI支持、运行操作（即席）查询或处理高并发。Druid可以作为一种适用于各种用例的数据仓库的开源替代方案。
Druid的主要特点包括：
- 面向列存储：Druid采用列式存储结构，有助于减少数据扫描和I/O操作，提高查询速度。
- 分布式、shared-nothing架构：Druid采用分布式架构，可横向扩展，提高系统性能。每个节点独立处理数据，节点间的数据不共享，从而降低了系统故障对整体性能的影响。
- 快速聚合和过滤：Druid支持快速聚合、灵活的过滤功能，可在秒级时间内对十亿行级别的表进行任意探索分析。
- 低延迟数据导入：Druid的低延迟数据摄取架构允许事件在创建后毫秒内可被查询到，提高了实时性。
- 高可用性：Druid的数据在系统更新时依然可用，规模的扩大和缩小都不会造成数据丢失。
- 可扩展性：Druid可处理每天数十亿事件和TB级数据，适用于大规模数据场景。
- 交互式查询：Druid允许以类似Dremel和PowerDrill的方式进行单表查询，提高了查询灵活性。
- 索引和优化：Druid为快速过滤创建索引，降低查询延迟。
Druid在大数据实时处理领域具有广泛应用，如广告分析、日志处理和实时统计分析等。它的高性能、低延迟特点使得用户能够在大型数据集上进行快速查询和分析，满足实时业务需求。将Druid视为适用于各种用例的数据仓库的开源替代方案是一个合理的选择。
数据仓库（Data Warehouse，简称DW）是一个面向主题的、集成的、随时间变化的、但信息本身相对稳定的数据集合，用于对管理决策过程的支持。数据仓库的核心理念是将不同业务系统中的数据进行集中存储，以便进行报表制作和数据分析，从而更好地支持企业或组织的决策分析处理。
数据仓库具有以下四个特点：
- 面向主题：数据仓库是围绕特定主题进行数据整合的，例如销售、财务、人力资源等。这使得数据仓库能够针对特定业务需求进行分析和决策。
- 集成：数据仓库将不同业务系统中的数据进行整合，消除数据不一致性和重复性，提供一个统一、完整的数据视图。
- 随时间变化：数据仓库中的数据是随时间不断更新的，以反映企业或组织的实时业务状况。同时，数据仓库也保留了历史数据，便于进行趋势分析和预测。
- 信息相对稳定：数据仓库中的数据在一定时间内保持相对稳定，不会频繁变动。这有助于提高数据分析的准确性和可靠性。
数据仓库在企业和组织中的应用有以下好处： - 关键业务信息的准确性和全面性报告：数据仓库提供了集中、完整的数据，使得企业和组织能够制定更准确、全面的决策。
- 集中化的信息使能做出更好的分析和决策：通过数据仓库，企业和组织能够对业务数据进行深入分析，从而做出更明智的决策。
- 作为商业智能方案的基础：数据仓库是商业智能（Business Intelligence，BI）方案的基础，支持各种数据挖掘、分析和可视化工具，帮助企业和组织从数据中获取价值。
- 提高业务流程效率：数据仓库有助于企业和组织优化业务流程，提高决策效率，应对不断变化的市场环境。
总之，数据仓库是一种用于支持企业和组织决策分析处理的解决方案，通过集中存储和整合不同业务系统中的数据，为企业提供更准确、全面、及时的数据支持。