Diferencias técnicas entre almacenamiento por filas y por columnas

Fuentes: Technical differences between row and column storage

El almacenamiento de datos estructurados puede organizarse por filas o por columnas, una distinción física que impacta directamente en el rendimiento de las consultas analíticas y transaccionales. Aunque las bases de datos se nombran según su modelo de agrupación, la diferencia radica en cómo se almacenan los valores en la memoria y el disco. Los almacenes por filas, como Postgres y MySQL, mantienen los campos de cada registro juntos, lo que optimiza las operaciones de procesamiento transaccional en línea (OLTP) y las consultas de un solo registro. En cambio, los almacenes por columnas, como DuckDB y ClickHouse, agrupan los valores de cada columna, priorizando el procesamiento analítico en línea (OLAP) y la compresión de datos.

La elección del modelo afecta significativamente la eficiencia de la lectura de memoria. Al utilizar caché de CPU, que opera en bloques de 64 bytes (líneas de caché), los almacenes por filas pueden ser ineficientes para consultas que requieren solo un campo específico, ya que deben leer toda la línea de caché completa. Por ejemplo, leer un campo de 4 bytes requiere 12 veces más datos que el mínimo necesario. Por el contrario, los almacenes por columnas permiten leer solo los datos requeridos, reduciendo drásticamente la transferencia de memoria. Sin embargo, para consultas que necesitan todos los campos de un registro específico, los almacenes por filas siguen siendo más eficientes al minimizar el número de líneas de caché que deben leerse. Esta dicotomía técnica explica por qué las bases de datos modernas suelen utilizar ambos modelos según la carga de trabajo específica.