关于NoSql数据类型的问题，最近面试才遇到，去 360 二面的时候面试官第一个问题就是nosql使用过吗，它都有哪些数据类型。
基本上只关注过key-value，其他的看过，没过脑子，所以今天特意找到四种不同的数据类型的优缺点和使用场景。
-----------------------------------废话不多说，来吧-----------------------------------
NoSQL可以大体上分为4个种类：Key-value、Document-Oriented、Column-Family Databases以及 Graph-Oriented Databases。下面就一览这些类型的特性：
一、 键值（Key-Value）数据库
概述：键值数据库就像在传统语言中使用的哈希表。你可以通过key来添加、查询或者删除数据，鉴于使用主键访问，所以会获得不错的性能及扩展性。
产品：Riak、Redis、Memcached、Amazon’s Dynamo、Project Voldemort
有谁在使用：GitHub （Riak）、BestBuy （Riak）、Twitter （Redis和Memcached）、StackOverFlow （Redis）、 Instagram （Redis）、Youtube （Memcached）、Wikipedia（Memcached）
适用的场景：
储存用户信息，比如会话、配置文件、参数、购物车等等。这些信息一般都和ID（键）挂钩，这种情景下键值数据库是个很好的选择。
不适用场景
-
需要通过值来查询。Key-Value数据库中根本没有通过值查询的途径。【毕竟value可以重复，一个孩子多个父亲，岂不是青青草原】
-
需要储存数据之间的关系。在Key-Value数据库中不能通过两个或以上的键来关联数据。
-
需要事务的支持。在Key-Value数据库中故障产生时不可以进行回滚。
二、 面向文档（Document-Oriented）数据库
概述：面向文档数据库会将数据以文档的形式储存。每个文档都是自包含的数据单元，是一系列数据项的集合。
每个数据项都有一个名称与对应的值，值既可以是简单的数据类型，如字符串、数字和日期等；也可以是复杂的类型，如有序列表和关联对象。
数据存储的最小单位是文档，同一个表中存储的文档属性可以是不同的，数据可以使用XML、JSON或者JSONB等多种形式存储。
产品：MongoDB、CouchDB、RavenDB
有谁在使用：SAP （MongoDB）、Codecademy （MongoDB）、Foursquare （MongoDB）、NBC News （RavenDB）
适用的场景
-
日志。企业环境下，每个应用程序都有不同的日志信息。Document-Oriented数据库并没有固定的模式，所以我们可以使用它储存不同的信息。
-
分析。鉴于它的弱模式结构，不改变模式下就可以储存不同的度量方法及添加新的度量。
不适用场景
在不同的文档上添加事务。Document-Oriented数据库并不支持文档间的事务，如果对这方面有需求则不应该选用这个解决方案。
三、 列存储数据库
概述：列存储数据库将数据储存在列族中，一个列族存储经常被一起查询的相关数据。
举个例子，如果我们有一个Person类，我们通常会一起查询他们的姓名和年龄而不是薪资。这种情况下，姓名和年龄就会被放入一个列族中，而薪资则在另一个列族中。
产品：Cassandra、HBase
有谁在使用：Ebay （Cassandra）、Instagram （Cassandra）、NASA （Cassandra）、Twitter （Cassandra and HBase）、Facebook （HBase）、Yahoo!（HBase）
适用的场景
-
日志。因为我们可以将数据储存在不同的列中，每个应用程序可以将信息写入自己的列族中。
-
博客平台。我们储存每个信息到不同的列族中。举个例子，标签可以储存在一个，类别可以在一个，而文章则在另一个。
不适用场景
-
如果我们需要ACID事务。Vassandra就不支持事务。
-
原型设计。如果我们分析Cassandra的数据结构，我们就会发现结构是基于我们期望的数据查询方式而定。在模型设计之初，我们根本不可能去预测它的查询方式，而一旦查询方式改变，我们就必须重新设计列族。
四、 图（Graph-Oriented）数据库
概述：图数据库允许我们将数据以图的方式储存。实体会被作为顶点，而实体之间的关系则会被作为边。
比如我们有三个实体，Steve Jobs、Apple和Next，则会有两个“Founded by”的边将Apple和Next连接到Steve Jobs。
产品：Neo4J、Infinite Graph、OrientDB
有谁在使用：Adobe （Neo4J）、Cisco （Neo4J）、T-Mobile （Neo4J）
适用的场景
-
在一些关系性强的数据中
-
推荐引擎。如果我们将数据以图的形式表现，那么将会非常有益于推荐的制定
不适用场景
不适合的数据模型。图数据库的适用范围很小，因为很少有操作涉及到整个图。
---------------------------谨记谨记，以后面试背也要往下背--------------------