比较ES和SQL数据库的差异可以从以下几个方面入手：数据存储结构、查询语言、数据处理能力、扩展性和性能。下面是一个包含代码示例的解决方法：

1. 数据存储结构：

   • SQL数据库：采用表格的形式存储数据，每个表包含多个列和行，每行代表一个数据记录。
   • Elasticsearch（ES）：采用文档的形式存储数据，每个文档是一个JSON对象，可以包含不同的字段。

2. 查询语言：

   • SQL数据库：使用SQL语言进行查询，支持复杂的查询操作，例如JOIN、GROUP BY等。
   • Elasticsearch：使用Elasticsearch查询语言进行查询，基于JSON的查询语法，支持全文搜索、聚合、过滤等。

3. 数据处理能力：

   • SQL数据库：适合处理结构化数据，支持事务操作、ACID特性，可以进行复杂的关系型数据操作。
   • Elasticsearch：适合处理非结构化和半结构化数据，支持实时索引和搜索，具有分布式和横向扩展的能力。

4. 扩展性：

   • SQL数据库：可以通过分区、分表、垂直和水平扩展等手段来扩展性能和存储容量，但存在一定的限制。
   • Elasticsearch：可以通过添加更多的节点来实现横向扩展，具有良好的可扩展性和高可用性。

5. 性能：

   • SQL数据库：对于复杂的关系型查询，SQL数据库通常具有较好的性能，尤其是在有索引和优化的情况下。
   • Elasticsearch：对于全文搜索和实时查询，Elasticsearch具有出色的性能，尤其是在大规模数据环境下。

下面是一个使用Python和Elasticsearch库进行ES查询的示例代码：

from elasticsearch import Elasticsearch

# 连接到Elasticsearch集群
es = Elasticsearch(['localhost:9200'])

# 创建索引
es.indices.create(index='my_index')

# 插入文档
es.index(index='my_index', id=1, body={'title': 'example', 'content': 'This is an example'})

# 搜索文档
res = es.search(index='my_index', body={'query': {'match': {'content': 'example'}}})
for hit in res['hits']['hits']:
    print(hit['_source'])

这是一个使用Python和MySQL库进行SQL查询的示例代码：

import mysql.connector

# 连接到MySQL数据库
cnx = mysql.connector.connect(user='user', password='password',
                              host='127.0.0.1', database='my_database')

# 创建游标
cursor = cnx.cursor()

# 执行查询
query = "SELECT * FROM my_table WHERE id = %s"
cursor.execute(query, (1,))

# 获取查询结果
for (id, title, content) in cursor:
    print(f'id: {id}, title: {title}, content: {content}')

# 关闭游标和连接
cursor.close()
cnx.close()

这些示例代码展示了如何使用Python和相应的库来连接和查询ES和SQL数据库。根据具体需求和环境，可以选择合适的数据库和相应的编程语言进行开发。