我："老大，最近ClickHouse很火啊，咱不试试吗？？"
中台架构师："哦？ CK吗？ 那是个啥玩意呀？？"
我："是CH！！一款OLAP数据库！！"
中台架构师："是数据库啊！！DB-Engines排名多少？？ "
我："。。。。。。"
上述又是我的一段亲身经历。
最近有朋友问我："你是基于什么根据，如何判断出ClickHouse要火的呢？"
我回答道："其实很简单啊，你看看周边的人，都是在怎么学ClickHouse，不就明白了吗？"
接着，我拿出手机，给他看了下面这张照片。
"你看，人家妹子在地铁上，还在坚持学习ClickHouse！！！ 你再不学，就要落伍了！！！"
我的朋友在看过这张照片之后，意味深长的点了点头。
在搞定了我的朋友之后，现在言归正传，聊一聊排行榜的问题。
在我们的生活中，排行榜可谓是无处不在，因为人的天性就喜欢比较，而排行榜则是一个最为简单易用的比较工具。
有句笑谈不是这么说的嘛： "什么是幸福感？ 幸福感就是经过比较以后，发现你比别人过的好"
玩笑归玩笑，排行比较确实是有用处的，比如：
使用比较之前
中台架构师："我来介绍一下，这位新招的架构师非常厉害，他对中台的理解已经深入骨髓"
我："茫然，一脸不屑"
使用比较之后
中台架构师："我来介绍一下，这位新招的架构师非常厉害，阿里P15，全球排名前10，他对中台的理解已经深入骨髓"
我："震惊，一脸崇拜"
你看，通过横向比较，无需使用多余的介绍，就能有效的传递信息。同时，还容易使他人产生共鸣，做出预期的判断。
所以在营销领域，产品排名是一个非常重要的指标，毫不夸张的说它能关乎到一款产品的生死。越是靠前的排名，用户使用你的几率就越大；而使用的用户越多，在产品靠谱的情况下，又能反哺排名从而形成一个良性循环。
而对于发布排行的平台而言，平台的公信力越高，排名的背书能力也就随之越大，对于同一类型的产品，用户更倾向选择排名靠前的。
所以现在我们身边，能看到各种榜单，电商平台的最畅销XXX TOP10、歌曲榜单TOP 10、电视剧TOP 10，数不胜数。
这些榜单潜移默化的影响着我们的选择行为。
铺垫了那么多，现在该聊到DB-Engines排名了吧？
什么是DB-Engines排名呢？DB-Engines排名就是一个数据库领域的流行度榜单，它对全球范围内的300多款数据库进行了排名，榜单排名每月更新一次。如果某个数据库的排名越靠前，则表示它越流行。
所以在很多技术选型的场合，都会引用DB-Engines的排名数据，用于论证技术的成熟度和流行度。
既然如此，那我们看看ClickHouse在DB-Engines的榜单排名：
截止到2020年1月
按所有类型统计，在350款数据库中，排名78，较上一个月上升108位
按关系模型统计，在139款关系型数据库中，排名41，较上一个月上升52位
再看看按所有类型统计的TOP 10，看完以后心里拔凉拔凉的，试想如果你是一位决策者，在看到这样的榜单对比后，还会选择ClickHouse吗？ 不论推荐者说的如何天花乱坠，你估计早已索然无味了吧！！
这也是为何在开篇，我会被中台架构师怼的无言以对。
然而，作为一个拥有ClickHouse信仰贴纸的斗士，我当然不会就此轻易的放弃。
既然是排行榜单，总得有个排名依据吧？咱得讲道理呀？所以，接下来就看看DB-Engines的排名规则。
虽然DB-Engines在它的官网上并没有公布排名打分算法，但还是列举了算法使用到的一些参数维度，以及参数的数据来源，它们分别是：
- 在网站被提及的次数
分别在Google、Bing和Yandex进行搜索，以搜索引擎中的结果数作为衡量依据。例如查询"ClickHouse database"，记录找到的结果数量。
- 在互联网的普遍兴趣
以Google Trends趋势中的搜索频率作为衡量依据。
- 在技术社区被讨论的频率
分别在Stack Overflow 和 DBA Stack Exchange网站进行统计，以技术社区中 Q&A 提问和回答数量作为衡量依据。
- 在招聘岗位信息被提及的次数
分别在 Indeed 和 Simply Hired网站进行统计，作为衡量依据。
- 在职场社交作为用户资料被提及的次数
分别在LinkedIn 和 Upwork统计作为用户资料被提及的数量，作为衡量依据。
- 在社交网络被提及的次数
在Twitter统计相关推文的数量，作为衡量依据。
在看过这些规则依据和它们的数据来源之后，不知各位看官有何感觉？
由于不知道参数的权重，我且当它们的权重差不多了，我有这么几点感受:
- 对中国市场极不友好
这些维度参数的数据来源，基本排除了来自中国市场的数据，"你说啥？ Twitter？ 没听过呢！！！"
- 缺少开源、数据分析等细分领域排名
同场竞技，定位越细分，排名越吃亏。如果数据库是个多面手，很多领域都能使用，那么自然拥有更高的用户基数。一旦用户基数高了，相关的指标数据自然也就高了。
我常用买保险来举例这种现象，保险产品有很多形式划分：
最常见一种叫复合保险，就是你只用买这一种保险，它已经包含了常见的重疾、住院医疗甚至寿险，十分方便；
与复合险相对的是单一险种，你买重疾险就只有重疾的内容、你买寿险就只有寿险的内容。
买哪一种形式的保险，完全取决于你的诉求。如果求省事，你可以买中庸的复合险；但如果你是一个追求极致，要求最划算，杠杆比最大化的人，你很可能会单独的购买每一种类型，组合使用。因为它们相比复合险，往往拥有更便宜的价格和更高的保额。
类比到数据库，那就是在某一方面拥有极致性能的数据库，通常都不是多面手。选择使用哪种数据库，需要取决你的场景。
- 历史越久，优势越大
历史越悠久，面世时间越早的数据库拥有更多的用户基础，且由于种种原因（历史包袱等），由于切换使用新技术的成本问题，这些用户会继续选择使用这些数据库。
- 数据渠道不够全面
假设一下，如果在Stack Overflow提问的数量多，你觉得可能是什么原因？
流行度高，使用的人多自然是一种原因。但是还有一种可能，是这个数据库的周边配套太差了。由于文档不全、社区不活跃，导致在产品官网找不到解决途径，在社区提问也无人响应，那么只有求助于Stack Overflow这类渠道了。
而这项打分并没有将社区的主流沟通路径纳入在内。
即便规则对ClickHouse如此不利，DB-Engines排名依然侧面显示出了它的迅猛的发展态势：
所以说，对于排行榜而言，不可不信也不可尽信，大家需要有自己的主观判断，不能只看一个排行数字。
