大数据存储通常需要处理大量的数据，并支持快速查询和分析。因此，适合大数据存储的数据库应该具备以下特点：
1. 高吞吐量：能够快速处理大量数据的读写操作。
2. 可扩展性：随着数据量的增加，数据库能够自动扩展以保持性能。
3. 容错性：能够在部分节点故障时继续提供服务。
4. 高性能：能够快速响应查询和分析请求。
5. 高可用性：确保在大多数时间内数据库正常运行。
6. 数据一致性：保证数据的完整性和准确性。
7. 易用性：提供直观的用户界面和工具，方便管理员和开发人员使用。
8. 成本效益：在满足性能和功能需求的同时，尽可能降低运营和维护成本。
以下是一些适合大数据存储的数据库类型：
1. 分布式文件系统（如hadoop分布式文件系统hdfs）：适用于大规模数据集的存储和访问。hdfs通过将数据分散存储在多个节点上，实现了高吞吐量和可扩展性。它支持数据块级别的复制和恢复，确保了数据的高可用性和容错性。
2. 列式数据库（如apache spark的sql）：适用于结构化和非结构化数据的存储。列式数据库将数据按列组织，使得查询更加高效。它们通常具有高度可扩展的架构，可以处理大量数据。
3. 内存计算数据库（如apache hadoop hbase）：适用于实时数据处理和分析。hbase是一个分布式、非关系型、列式存储的数据库，它允许用户在内存中存储和检索数据。这使得hbase非常适合于实时数据分析和流处理应用。
4. 时间序列数据库（如influxdb）：适用于时间敏感的数据存储和分析。influxdb是一个开源的时间序列数据库，它支持高吞吐量的写入和查询操作。它特别适合于监控和分析时间相关的数据，如传感器数据、日志记录等。
5. 图数据库（如neo4j）：适用于社交网络分析和推荐系统。neo4j是一个基于图的数据库，它支持复杂的关系和网络结构。图数据库非常适合于社交网络分析、推荐系统、知识图谱等领域的数据存储和查询。
6. 搜索引擎（如elasticsearch）：适用于大规模文档数据的搜索和分析。elasticsearch是一个分布式、全文检索的搜索引擎，它支持高吞吐量的搜索操作。它特别适合于处理大规模文档数据，如网页、日志文件等。
7. 云原生数据库（如amazon dynamodb）：适用于大规模数据集的存储和分析。dynamodb是amazon提供的云原生数据库服务，它支持高吞吐量的读写操作。它特别适合于处理大规模数据集，如商品信息、用户信息等。
总之，选择合适的数据库类型需要考虑数据的规模、访问模式、查询需求以及成本等因素。在实际应用场景中，可能需要结合多种数据库类型来构建一个综合的大数据存储解决方案。
