Druid是一个分布式的支持实时分析的数据存储系统。通俗一点：高性能实时分析数据库。它由美国广告技术公司MetaMarkets于2011年创建，并且于2012年开源。MetaMarkets是一家专门为在线媒体公司提供数据服务的公司，主营是DSP广告运营推送平台，由于对实时性要求非常高，公司不得不放弃原始的大数据方案，Druid也就应运而生。
Druid 最常被当做数据库，用以支持实时摄取、高查询性能和高稳定运行的应用场景。 例如，Druid 通常被用来作为图形分析工具的数据源来提供数据，或当有需要高聚和高并发的后端 API。 同时 Druid 也非常适合针对面向事件类型的数据。
什么是OLAP与OLTP
以在线商城举例：
- OLTP就是商品浏览，交易，用户数据。必须支持事务，频繁查询修改。OLTP（联机事务处理），传统数据库的主要应用，面向最基本的CRUD操作，特点是实时性高，数据量小，可以修改删除数据，要求有严格的事务。
- OLAP就是对商城数据进行分析，数据量大。OLAP（联机分析处理），支持复杂的分析操作，对决策的支持，特点是数据量大，吞吐量大，只支持查询。
Druid特性与基本概念
Druid主要解决的问题就是传统数据库无法解决的大数据量查询性能的问题， 旨在对大型数据集进行快速查询和分析（“OLAP” 查询)。 。
所以她的本质就是一个分布式支持实时数据分析的数据存储系统。
能够快速的实现查询与数据分析，高可用，高扩展能力。
特性
列示存储格式（Columnar storage format） Druid 使用列式存储，这意味着在一个特定的数据查询中它只需要查询特定的列。 这样的设计极大的提高了部分列查询场景性能。另外，每一列数据都针对特定数据类型做了优化存储，从而能够支持快速扫描和聚合。
可扩展的分布式系统(Scalable distributed system) Druid通常部署在数十到数百台服务器的集群中， 并且可以提供每秒数百万级的数据导入，并且保存有万亿级的数据，同时提供 100ms 到 几秒钟之间的查询延迟。
高性能并发处理（Massively parallel processing） Druid 可以在整个集群中并行处理查询。
实时或者批量数据处理（Realtime or batch ingestion） Druid 可以实时（已经被导入和摄取的数据可立即用于查询）导入摄取数据库或批量导入摄取数据。
自我修复、自我平衡、易于操作（Self-healing, self-balancing, easy to operate） 作为运营商，要将群集扩展或缩小，只需添加或删除服务器，群集将在后台自动重新平衡，无需任何停机时间。Druid旨在全天候运行，无需任何原因计划停机，包括配置更改和软件更新。
原生结合云的容错架构，不丢失数据（Cloud-native, fault-tolerant architecture that won’t lose data） 一旦 Druid 获得了数据，那么获得的数据将会安全的保存在深度存储(通常是云存储，HDFS 或共享文件系统)中。 即使单个 Druid 服务发生故障，你的数据也可以从深度存储中进行恢复。对于仅影响少数 Druid 服务的有限故障，保存的副本可确保在系统恢复期间仍然可以进行查询。
针对快速过滤的索引（Indexes for quick filtering） Druid 使用Roaring或 concise来压缩 bitmap indexes 后来创建索引，以支持快速过滤和跨多列搜索。
基于时间的分区（Time-based partitioning） Druid 首先按时间对数据进行分区，同时也可以根据其他字段进行分区。 这意味着基于时间的查询将仅访问与查询时间范围匹配的分区，这将大大提高基于时间的数据处理性能。
近似算法(Approximate algorithms) Druid应用了近似 count-distinct，近似排序以及近似直方图和分位数计算的算法。 这些算法占用有限的内存使用量，通常比精确计算要快得多。对于精度要求比速度更重要的场景，Druid 还提供了exact count-distinct 和 exact ranking。
