分布式分析型数据库技术选择通常需要根据业务需求、数据规模、查询性能、扩展性、成本效益以及团队技能等因素综合考虑。以下是一些知名的分布式分析型数据库技术，可以根据实际应用场景进行选择：

1. **Apache Hadoop** 及其生态系统中的 **Hive** 和 **Impala**：
- Hadoop适合大规模数据的离线处理和分析，而Hive提供了基于SQL的接口来查询存储在Hadoop文件系统（如HDFS）上的数据。Impala则是一个提供快速低延迟分析查询能力的MPP（大规模并行处理）SQL引擎。

2. **Apache Spark SQL**：
- Spark SQL是Spark项目的一部分，支持SQL查询和DataFrame API，可实现对大数据集的高性能计算和分析，适用于实时流式处理与批处理场景。

3. **Cloudera Impala** 或 **MapR Drill**：
- 这些是专为Hadoop环境设计的列式存储SQL查询引擎，能够提供更快的查询速度和更低的延迟。

4. **Greenplum / PostgreSQL-based 分布式数据库**：
- Greenplum是由PostgreSQL衍生出的开源MPP数据库系统，用于企业级的大数据分析和复杂查询。

5. **Google BigQuery**：
- 作为云服务提供商Google提供的完全托管的无服务器PB级分析数据库服务，BigQuery特别擅长处理非常大的数据集，并支持近乎即时的数据探索和BI工具集成。

6. **Amazon Redshift**：
- Amazon Web Services (AWS) 的一项服务，Redshift是一款面向大规模数据分析的全托管型云数据仓库服务，基于柱状存储优化，支持复杂的SQL查询。

7. **Snowflake**：
- Snowflake是一家提供云端数据仓库服务的企业，它以独特的架构实现了高度可扩展性和并发性能，被广泛应用于商业智能和大数据分析领域。

8. **Azure Synapse Analytics**：
- 微软Azure提供的统一分析服务，结合了数据仓库和大数据分析功能，支持大规模并行处理和SQL、Pig、Hive等多种查询方式。

在选择时，应充分考虑自身的数据规模、业务需求、预算情况、是否希望采用云服务或本地部署，以及团队对特定技术栈的熟悉程度等因素。同时，也要注意这些系统在安全性、高可用性、维护便捷性等方面的表现。