编制日期：2026-11-01 ｜ 适用版本：SQLite 3.54.1 / DuckDB 2.0.0 LTS 两者均为嵌入式、单文件、开源免费数据库，经常被放在一起比较，但定位完全不同：一个是"能可靠存小数据的事务库"，一个是"能飞快分析大数据的分析库"。
–虑得先生整理
一、一句话定位
| SQLite | DuckDB | |
|---|---|---|
| 本质 | **事务型（OLTP）**数据库 | **分析型（OLAP）**数据库 |
| 存储方式 | 行式存储（B+ 树索引） | 列式存储 + 向量化执行引擎 |
| 设计目标 | 可靠、轻量、单机事务处理 | 大规模数据的快速分析与复杂查询 |
| 部署范围 | 全世界部署最广的数据库（手机、浏览器、操作系统内置） | 数据分析工具链（Python、BI、数据湖）的嵌入式分析引擎 |
二、为什么总被拿来对比（共同点）
- 都无需安装数据库服务端：进程内嵌入式，随应用一起运行，零配置。
- 都单文件存储：一个
.db/.duckdb文件即整个数据库，方便移动、拷贝、备份。 - 都开源免费：SQLite 为公共领域（Public Domain），DuckDB 为 MIT 许可。
- 都支持标准 SQL 与事务，都提供 Python、C、Java、Go 等 API。
- 都是"库"而不是"服务器"：没有独立的守护进程和网络端口。
正是这些相似点，让"选哪个"成了常见问题。答案不取决于哪个更好，而取决于你的任务是"写多读少的日常事务"还是"读多算多的分析"。
三、核心区别对照表
| 维度 | SQLite | DuckDB |
|---|---|---|
| 定位 | OLTP 事务型 | OLAP 分析型 |
| 存储引擎 | 行式（B+ 树） | 列式 + 向量化批量执行 |
| 当前版本（2026-11） | 3.54.1 | 2.0.0 LTS “Cinnamon Teal” |
| 单行点查（按主键取一行） | 快（走索引） | 一般 |
| 全表扫描 / 聚合 / 多表联接 | 相对慢 | 快（向量化 + 多核并行） |
| 并发模型 | 多读单写，读写互斥（文件锁） | 多读为主；写并发支持有限 |
| 数据类型 | 动态类型（type affinity，宽松） | 强类型，支持 VARIANT / STRUCT / ARRAY / MAP 等嵌套类型 |
| 内置压缩 | 无 | 列式压缩，天然高效 |
| 外部数据直查 | 弱（需先导入，ATTACH 有限） | 强：直接查 CSV / Parquet / JSON / 远程 URL，无需导入 |
| Python 生态 | 内建标准库 sqlite3 |
duckdb 包，与 Pandas / Polars / PyArrow 深度互操作 |
| 写入特性 | 适合频繁增删改（行式天然占优） | 大批量导入极快；单条 update 效率不如行式 |
| 服务器 / 网络模式 | 极少用（可开启但非主业） | 无官方服务器（由 MotherDuck 提供云端托管） |
| 稳定性 | 20+ 年验证，无处不在，极其保守稳定 | 快速迭代，功能日新月异 |
| 事务 | 完整 ACID，安全可靠 | 支持 ACID，但并发写入场景偏弱 |
| 文件体积 | 通常更小 | 大查询可能需要临时文件/更多内存 |
四、SQLite 的优势与适用场景
优势
- 极轻量、零配置、开箱即用：几 MB 的库，不用装服务，随用随走。
- 事务安全（ACID）：崩溃恢复、回滚可靠，适合当作"应用本地数据库"。
- 点查与单条写快：按主键读一行、小规模增删改，延迟极低。
- 部署最广、最稳定：手机、浏览器（WASM）、操作系统、无数 App 都在用，兼容性无可匹敌。
- 几乎处处可用：Python 标准库直接
import sqlite3，无需额外安装。
适用场景
- 移动 App / 桌面软件的本地存储（联系人、设置、聊天记录、离线数据）。
- 嵌入式设备与 IoT（工业、传感器、车载等）。
- 中小规模业务系统的事务读写——例如记账、订单、库存、配置表。
- 应用内缓存、单机小工具的落库。
- 需要高可靠、低维护、长期稳定的生产环境数据存储。
一句话
要"存得住、改得动、非常稳"的日常业务数据 → 选 SQLite。
五、DuckDB 的优势与适用场景
优势
- 分析查询快：列式 + 向量化 + 多核并行，聚合、联接、窗口函数、全表扫描性能远超 SQLite，且数据量越大优势越明显。
- 直接读外部数据，无需导入：一条 SQL 直接查 CSV / Parquet / JSON / 远程 HTTPS 文件，是做数据湖/文件级分析的利器。
- 与 Python 数据栈无缝衔接：查询结果一键转 Pandas / Polars / PyArrow DataFrame，反向也能直接查 DataFrame。
- 分析友好语法：
GROUP BY ALL、QUALIFY、丰富的窗口函数与嵌套类型，写复杂分析更简洁。 - 功能迭代快：2.0 新增异步 I/O、VARIANT 类型、Quack 协议（跨进程/远程查询）等。
适用场景
- 数据分析、BI 报表、探索性分析：对几十万到上亿行做筛选、聚合、透视。
- ETL / ELT 与数据湖：直接对 Parquet 等文件做清洗、转换、关联，无需先加载进库。
- Python / Jupyter 中的 SQL 分析：与 Pandas 结合，边查边算。
- 报表输出：把分析结果
COPY写回 CSV / Parquet。 - 科研、金融、日志等需要大规模聚合统计的场景。
一句话
要"读得动、算得快、越复杂越值"的分析与报表 → 选 DuckDB。
六、如何选择（决策原则）
数据量小、频繁增删改、要长期稳定、单机业务存储
└─────────────────────────────► SQLite
数据量大、以查询/聚合/报表为主、要分析外部文件
└─────────────────────────────► DuckDB
两者都用：业务落库用 SQLite，分析报表用 DuckDB
（互不冲突，可在 Python 中自由切换）
针对会计人的实际场景的建议
- ** 记账类业务系统的日常读写、订单与客户数据** → SQLite：可靠、易备份、单文件好维护。
- 财务数据的月度/年度汇总、多表透视、报表生成、上百万行的分析 → DuckDB：聚合和联接快一个量级，还能直接读导出的 CSV/Excel。
- 学习建议：以《SQL必知必会》用 SQLite 打基础，语法与 DuckDB 高度通用；SQLite 学会的
GROUP BY、JOIN、子查询、窗口函数，在 DuckDB 里几乎原样可用。学完 SQLite 后再上手 DuckDB，只需关注GROUP BY ALL、嵌套类型、直接读文件等差异即可。
七、同一需求的两边写法对照
1. 建表
-- SQLite
CREATE TABLE sales (
id INTEGER PRIMARY KEY AUTOINCREMENT,
city TEXT,
amount REAL,
day TEXT
);
-- DuckDB
CREATE TABLE sales (
id BIGSERIAL PRIMARY KEY,
city VARCHAR,
amount DOUBLE,
day DATE
);
2. 聚合（DuckDB 独有的 GROUP BY ALL）
-- SQLite：必须手写所有非聚合列
SELECT city, SUM(amount) FROM sales GROUP BY city;
-- DuckDB：GROUP BY ALL 自动按"未聚合的列"分组
SELECT city, SUM(amount) FROM sales GROUP BY ALL;
3. 直接读外部文件
-- SQLite：通常要先导入，不能直接查任意文件
-- DuckDB：一条 SQL 直接查 CSV / Parquet / 远程 URL
SELECT * FROM 'data.csv';
SELECT * FROM 'https://example.com/data.parquet';
4. 窗口函数（两者都支持，语法一致）
SELECT city, amount,
RANK() OVER (ORDER BY amount DESC) AS rnk
FROM sales;
主要差异小结
| 差异点 | SQLite | DuckDB |
|---|---|---|
| 数据类型 | 动态宽松（TEXT/INTEGER/REAL/BLOB） | 强类型 + 嵌套类型 |
| 自增主键 | INTEGER PRIMARY KEY AUTOINCREMENT |
BIGSERIAL / SERIAL |
| 分组语法 | 需手写全部非聚合列 | 支持 GROUP BY ALL 自动分组 |
| 外部文件直查 | 弱 | 强（CSV/Parquet/JSON/远程） |
| 日期/JSON 函数 | 基础 | 更丰富 |
八、版本与生态现状（截至 2026-11）
SQLite 3.54.1（2026-10-16 发布）
- 自愈表达式索引（3.53 起）：索引失配时自动修复，无需人工干预。
- 持续的性能优化：事务提交、窗口函数、空表联接检测、子查询短路等。
- 以稳定性与兼容性为第一优先，新功能保守、向下兼容。
DuckDB 2.0.0 LTS “Cinnamon Teal”（2026-10-21 发布）
- Quack 协议：可跨进程/跨节点查询远程 DuckDB，客户端与服务器均为完整 DuckDB 实例。
- 异步 I/O：异步读取 Parquet/CSV，显著提升云端对象存储场景的查询速度。
- VARIANT 类型：一种可容纳任意类型值的新型数据类型。
- 全新 PEG 解析器：更易演进、可运行时扩展，替换原 PostgreSQL 派生解析器。
- 新存储格式 + 触发器：存储与功能层均有大改。
- 数据分析工具链中地位持续上升，与 Spark、Polars 等并列为列式分析主力。
九、参考来源
- SQLite 官方发布记录：https://sqlite.org/changes.html （3.54.1，2026-10-16）
- DuckDB 官方发布公告：https://duckdb.org/2026/10/21/announcing-duckdb-200
- DuckDB v2.0 特性前瞻：https://duckdb.org/2026/08/17/duckdb-20-highlights
- DuckDB 路线图：https://www.duckdb.org/roadmap
注：性能结论（行式 vs 列式、点查 vs 聚合）为两类引擎的通用特性，具体数字会因数据规模、硬件、索引而异，建议在真实数据上自行验证。