MongoDB: Entwurfsmuster für das NoSQL-Schema-Design

MongoDB Entwurfsmuster
Für das NoSQL-Schema-Design
Gregor Biswanger | Freier Berater, Trainer, Autor und Sprecher
about.me/gregor.biswanger

Über mich
▪ Freier Berater, Trainer und Autor
▪ Schwerpunkte: Softwarearchitektur, Web und
Cross-Plattform Entwicklung mit C# und JavaScript
▪ Papa von Electron.NET
▪ Technologieberater für die Intel Developer Zone
▪ Internationaler Sprecher auf Konferenzen und
User Groups
▪ Freier Autor für heise.de, dotnetpro,
WindowsDeveloper und viele weitere
Fachmagazine
▪ Video-Trainer bei video2brain und Microsoft
Gregor Biswanger
Microsoft MVP, Intel Black Belt &
Intel Software Innovator
cross-platform-blog.de
about.me/gregor.biswanger

Unser Reiseplan
▪ Crashkurs aus Teil 1
▪ Dokumentenorientierte Datenbank
▪ Dokumentenorientiert modellieren
▪ Gemeinsam ein Beispiel modellieren
▪ 11 Entwurfsmuster zum Schema-Design
▪ Quelle: http://bit.ly/3c7IIvd
▪ Fazit

Dokumentenorientierte
Datenbank

Eine relationale Datenbank besteht aus
Datenbanktabellen, die einem festen
Datenbankschema unterliegen.

Modeling data, the relational way

Eine dokumentenorientierte Datenbank
besteht aus einzelnen Dokumenten mit einem
eindeutigen Identifikator.

Modeling data, the document way
{
"id": "0ec1ab0c-de08-4e42-...",
"addresses": [
{ "street": "sesamstraße",
"city": "gotham city" }
],
"contractdetails": [
{ "type": "home": "detail": "555-1212" },
{ "type": "email": "detail": "no@no.com" }
],
...
}

SQL
NoSQL
Data normalization
Come as you are

Dokumentenorientiert
modellieren

Dokumentenorientierte Datenbanken meinen NICHT,
das es keine relationale Daten geben darf.

„Design with No-Reference first“

„Design with embedded first“

Im Allgemeinen bietet die Einbettung von Daten
eine bessere Leistung für Leseoperationen.

Eingebettete Datenmodelle ermöglichen
die Aktualisierung der zugehörigen Daten in
einem atomaren Schreibvorgang.

Mein NoSQL Dokumenten-
Schema Kompass für Dich!

Dokumenten-Schema Kompass
Immer Manchmal Selten
Integriert x x x
Referenziert x x
Wie oft werden die Daten zusammen benutzt?

Weniger als 100 Mehr als 100 Tausend
Integriert x x
Referenziert x x
Wie groß ist der Datensatz?

Nie / Selten Gelegentlich Konstant
Integriert x x
Referenziert x x
Wie oft ändern sich die Daten?

MongoDB: Entwurfsmuster für das NoSQL-Schema-Design

Optimierter Stand
Datenbankspezifisch
Datenbankspezifisch
Datenbankspezifisch
Zusammenfügen in
Datentyp: Zutat
Datentyp: Quelle
Datentyp: Tag
Datentyp: Rezept
(Root-Document)

interface Rezept {
titel: string;
beschreibung: string;
seitenzahl?: number;
anzahlPersonen?: number;
}
Zu Dokument

X
X
X
Analyse vom Datentyp: Tag

Vergleich mit dem Dokumenten-Schema Kompass
Integriert x x x
Referenziert x x
Integriert x x
Referenziert x x
Integriert x x
Referenziert x x

interface Rezept {
titel: string;
tags?: Tag[];
}
interface Tag {
titel: string;
}
Zu Dokument

X
X
X
Analyse vom Datentyp: Zutat

interface Rezept {
titel: string;
tags?: Tag[];
zutaten?: Zutat[];
}
interface Tag {
titel: string;
}
interface Zutat {
stueck: number;
lebensmittel: string;
einheit?: string;
}
Zu Dokument

X
X
X
Analyse vom Datentyp: Quelle

interface Rezept {
titel: string;
quelle: Quelle;
tags?: Tag[];
zutaten?: Zutat[];
}
interface Quelle {
titel: string;
standort?: string;
kurzbezeichnung?: string;
herkunft?: string;
anzahlRezepteGeschaetzt?: number;
}
interface Tag {
titel: string;
}
interface Zutat {
stueck: number;
lebensmittel: string;
einheit?: string;
}
Zu Dokument

Rezept
-----------------------------------
Titel
Beschreibung
…
Quelle
…
Tags
Zutaten
Tag
…
Zutat
…

Das Approximation Pattern ist nützlich,
wenn häufig teure Berechnungen
durchgeführt werden.

Und wenn die Genauigkeit dieser
Berechnungen nicht die höchste Priorität hat.

Ein gutes Beispiel ist
die Einwohnerzahl

Die faktische Anzahl
der Sterne

Aufwändige Schreibvorgänge
Updates der Daten
Überprüfungen
Anderes
Webseitenzähler Logik

Wenn wir mit großen Datenmengen oder einer
großen Anzahl von Benutzern arbeiten, kann sich dies
auf die Leistung von Schreibvorgängen auswirken.

Reduzierung der Schreibvorgänge
Updates der Daten Überprüfungen
Anderes Webseitenzähler Logik
Approximation Pattern

Anstatt bei jeder Änderung die Daten zu
aktualisieren, können wir z.B. einen Zähler einbauen.

Die Änderung wird dann in 100,
demnach nur 1% der Fälle aktualisiert.

Unsere Schreibvorgänge sind somit erheblich
reduziert, in diesem Beispiel um 99%.

Pro
▪ Weniger Schreibvorgänge in die Datenbank.
▪ Statistisch gültige Zahlen.

Contra
▪ Genaue Zahlen werden nicht dargestellt.
▪ Die Implementierung muss in der Anwendung erfolgen.

Das Attribute Pattern ist nützlich für große
Dokumente mit vielen ähnlichen Feldern.

Diese haben gemeinsame Merkmale und
wir möchten diese sortieren oder abfragen.

{
title: "Star Wars",
director: "George Lucas",
...
release_US: ISODate("1977-05-20T01:00:00+01:00"),
release_France: ISODate("1977-10-19T01:00:00+01:00"),
release_Italy: ISODate("1977-10-20T01:00:00+01:00"),
release_UK: ISODate("1977-12-27T01:00:00+01:00"),
...
}

Um unsere Suche zu optimieren, benötigen wir aus
Performancegründen wahrscheinlich viele Indizes,
um alle Teilmengen zu berücksichtigen.

{
release_US: 1
},
{
release_France: 1
},
{
release_Italy: 1
}
...
Zu viele Indizes sind auch wieder schlecht

Das Erstellen all dieser Indizes kann die
Leistung beeinträchtigen.

{
title: "Star Wars",
director: "George Lucas",
…
releases: [
{
location: "USA", date: ISODate("1977-05-20T01:00:00+01:00")
},
{
location: "France", date: ISODate("1977-10-19T01:00:00+01:00")
},
{
location: "Italy", date: ISODate("1977-10-20T01:00:00+01:00")
},
{
location: "UK", date: ISODate("1977-12-27T01:00:00+01:00")
},
…],
…
}

Einen Indizes für die Elemente im Array erstellen
{
"releases.location": 1,
"releases.date": 1
}

Pro
▪ Es werden weniger Indizes benötigt.
▪ Abfragen sind einfacher zu schreiben und in der Regel schneller.

Contra
▪ Nichts einzuwenden…

Das Bucket Pattern ist eine hervorragende
Lösung für die Verwaltung von Streaming-Daten.

Zum Beispiel für Zeiten, Echtzeitanalysen oder
Internet-of-Things-Anwendungen (IoT).

Wenn Daten über einen bestimmten Zeitraum als
Datenstrom eingehen, können wir dazu neigen, jede
Messung in einem eigenen Dokument zu
speichern.

{
sensor_id: 12345,
timestamp: ISODate("2019-01-31T10:00:00.000Z"),
temperature: 40
}
{
sensor_id: 12345,
temperature: 40
}
{
sensor_id: 12345,
temperature: 41
}
Wenn ein Sensor jede Minute die Temperatur misst
und in einem eigenen Dokument speichert

Beispielsweise müssen wir sensor_id und
timestamp für jede einzelne Messung indizieren.

Dies kann einige Probleme aufwerfen,
da unsere Anwendung in Bezug auf Daten und
Indexgröße skaliert.

Mithilfe des Bucket-Musters, können wir diese
Daten nach Zeit in Dokumente "gruppieren",
die die Messungen aus einer bestimmten
Zeitspanne enthalten.

{
sensor_id: 12345,
start_date: ISODate("2019-01-31T10:00:00.000Z"),
end_date: ISODate("2019-01-31T10:59:59.000Z"),
measurements: [
{
temperature: 40
},
{
temperature: 40
},
…
{
temperature: 42
}
],
transaction_count: 42,
sum_temperature: 2413
}

Wir können auch programmgesteuert
zusätzliche Informationen zu jedem dieser
"Buckets" hinzufügen.

Wenn weitere Daten zum Measurearray
hinzugefügt werden, wird die Transaktionszahl
erhöht und die Summentemperatur ebenfalls
aktualisiert.

Mit dem voraggregierten Wert für sum_temperature kann
dann auf einfache Weise die Durchschnittstemperatur
(sum_temperature / transaction_count) für diesen Bucket
ermittelt werden.

Wir erhalten einige Vorteile in Bezug auf die Reduzierung der
Indexgröße, potenzielle Vereinfachung von Abfragen und die
Möglichkeit, diese voraggregierten Daten in unseren
Dokumenten zu verwenden.

Pro
▪ Reduziert die Gesamtzahl der Dokumente in einer Sammlung.
▪ Verbessert die Indexleistung.
▪ Kann den Datenzugriff durch Nutzung der Voraggregation
vereinfachen.

Wenn es sehr leseintensive Zugriffe gibt und diese
Daten von der Anwendung wiederholt berechnet
werden müssen, ist das Computed Pattern eine
großartige Option.

Wie viele Zuschauer haben den
neuesten Netflix-Film gesehen?

Diese Art von Fragen kann aus in einer Datenbank
gespeicherten Daten beantwortet werden, muss
jedoch berechnet werden.

{
"ts": ISODate("2019-01-31T10:00:00.000Z"),
"theater": "CINECITTA' Deluxe",
"location": "Nürnberg",
"movie_title": "Avengers: Endgame",
"num_viewers": 1496,
"revenue": 22440
}
{
"ts": ISODate("2019-01-31T10:00:00.000Z"),
"theater": „CineStar",
"location": „Ingolstadt",
"num_viewers": 344,
"revenue": 3440
}
{
"ts": ISODate("2019-01-31T10:00:00.000Z"),
"theater": "CinemaxX",
"location": „München",
"num_viewers": 760,
"revenue": 7600
}
Read
{
"ts": ISODate("."),
"title": „Aven...",
"viewers": 2600,
"revenue": 33480
}
Vorführungsdaten
Filmdatensatz

Das Ausführen dieser Berechnungen bei jeder
Abfrage ist jedoch ein äußerst ressourcenintensiver
Vorgang, insbesondere bei großen Datenmengen.

{
"ts": ISODate("."),
"title": "Aven...",
"viewers": 2600,
"revenue": 33480
}
Read
Read
Read
Read
Read
Read
Read
Read
Read
Read
{
"ts": ISODate("."),
"title": "Aven...",
"viewers": 3200,
"revenue": 38480
}
Vorführungsdaten Filmdaten

In einer Umgebung mit wenig Schreibzugriff
kann die Berechnung in Verbindung mit einer
Aktualisierung der Quelldaten erfolgen.

Bei regelmäßigeren Schreibvorgängen könnten
die Berechnungen in definierten Intervallen
erfolgen - beispielsweise stündlich.

Die Auswahl der Update-Strategie ist am besten
dem Anwendungsentwickler überlassen.

Pro
▪ Reduzierung der CPU-Auslastung für häufige Berechnungen.
▪ Abfragen sind einfacher zu schreiben und in der Regel schneller.

Contra
▪ Es kann schwierig sein, den Bedarf für dieses Muster zu identifizieren.
▪ Das Anwenden oder Überbeanspruchen des Musters sollte
vermieden werden, sofern dies nicht erforderlich ist.

Wenn wir mit der Notwendigkeit konfrontiert sind,
frühere Versionen von Dokumenten in MongoDB
zu verwalten, ist das Document Versioning Pattern
eine mögliche Lösung.

{
"_id": ObjectId<ObjectId>,
"name": "Gandalf",
"revision": 12,
"items_insured": [
"Rod",
]
}
{
"name": "Bilbo Baggins",
"revision": 2,
"items_insured": [
"Elven-sword",
]
}
current_policies Collection
{
"revision": 2,
"items_insured": [
"Elven-sword",
]
}
{
"name": "Gandalf",
"revision": 12,
"items_insured": [
"Rod",
]
}
policies_revisions Collection

{
"name": "Gandalf",
"revision": 12,
"items_insured": [
"Rod",
]
}
{
"revision": 2,
"items_insured": [
"Elven-sword",
]
}
current_policies Collection
{
"revision": 1,
"items_insured": []
}
{
"name": "Gandalf",
"revision": 12,
"items_insured": [
"Rod",
]
}
policies_revisions Collection
{
"revision": 2,
"items_insured": [
"Elven-sword"
]
}
{
"revision": 3,
"items_insured": [
"Elven-sword",
"Ring"
]
}

Das Document Versioning Pattern enthält einige
Voraussetzungen zu den Daten in der Datenbank
und den Datenzugriff.

1. Jedes Dokument enthält nicht zu
viele Überarbeitungen.

2. Es gibt nicht zu viele Dokumente
zur Versionierung.

3. Die meisten Abfragen werden mit der
aktuellsten Version des Dokuments durchgeführt.

Pro
▪ Einfach zu implementieren, auch auf bestehenden Systemen.
▪ Keine Beeinträchtigung der Leistung bei Abfragen
in der neuesten Version.

Contra
▪ Verdoppelt die Anzahl der Schreibvorgänge.
▪ Abfragen müssen auf die richtige Sammlung abzielen.

Das Extended Reference Pattern ist am nützlichsten,
wenn in unserer Anwendung viele JOIN-Vorgänge
ausgeführt werden, um häufig aufgerufene Daten
zusammenzuführen.

Customer Collection
{
"_id": 123,
"name": "Jane Doe",
"street": "123 Main St",
"city": "Somewhere",
"country": "Someplace",
"date_of_birth": ISODate("1985-10-08"),
"social_handles": [
"twitter": "@BFreakout"
],
...
}
Order Collection
{
"_id": ObjectId("..."),
"date": ISODate("2020-01-21"),
"customer_id": 123,
"order": [
"product": "widget",
"qty": 5,
"cost": {
"value": NumberDecimal("11.99"),
"currency": "EUR"
}],
...
}

Ein Kunde kann N Bestellungen haben,
wodurch eine 1-N-Beziehung entsteht.

Aus der Sicht der Bestellung, ist es eine
N-1-Beziehung zu einem Kunden.

Das Einbetten aller Informationen zu einem Kunden für
jede Bestellung, nur um die JOIN-Operation zu reduzieren,
führt zu einer Menge doppelter Informationen.

Darüber hinaus werden möglicherweise
nicht alle Kundeninformationen für eine
Bestellung benötigt.

Das Extended Reference Pattern bietet
eine hervorragende Möglichkeit, mit
diesen Situationen umzugehen.

Anstatt alle Informationen über den Kunden zu
duplizieren, kopieren wir nur die Felder, auf die
wir häufig zugreifen.

Customer Collection
{
"_id": 123,
"name": "Jane Doe",
"country": "Someplace",
"date_of_birth": ISODate("1985-10-08"),
"social_handles": [
"twitter": "@BFreakout"
],
...
}
Order Collection
{
"_id": ObjectId("..."),
"date": ISODate("2020-01-21"),
"customer_id": 123,
"shipping_address": {
"name": "Jane Doe",
"country": "Someplace"
},
"order": [
"product": "widget",
"qty": 5,
"cost": {
"value": NumberDecimal("11.99"),
"currency": "EUR"
}],
...
}

Pro
▪ Verbessert die Leistung bei vielen JOIN-Operationen.
▪ Schnellere Lesevorgänge und eine Reduzierung der Gesamtzahl
der JOINs.

Contra
▪ Datenvervielfältigung.

Passen einige Abfragen oder Dokumente nicht zu den
typischen Datenmustern? Führen diese Ausnahmen zur
Anwendungslösung?

In diesem Fall ist das Outlier Pattern eine
hervorragende Lösung für diese Situation.

Um Kunden ähnliche Produkte zu zeigen, wird
dem Produkt die user_id eines Kunden in einem
Array gespeichert.

{
"_id": ObjectID("507f1f77bcf86cd799439011"),
"title": "A Genealogical Record of a Line of Alger",
"author": "Ken W. Alger",
…,
"customers_purchased": ["user00", "user01", "user02"]
}

Das mag zwar in 99,99% der Fälle funktionieren,
aber was passiert, wenn JK Rowling ein neues Harry-
Potter-Buch veröffentlicht und die Verkaufszahlen in
die Millionen steigen?

Die Neugestaltung unserer gesamten Anwendung für diese
Ausreißersituation kann zu einer Leistungsminderung
für das typische Buch führen, die wir jedoch
berücksichtigen müssen.

Wenn über das von uns festgelegte Limit von 1.000
Artikeln hinausgeht, wird ein neues Feld hinzugefügt,
um das Buch als Ausreißer zu kennzeichnen.

{
"_id": ObjectID("507f191e810c19729de860ea"),
"title": "Harry Potter, the Next Chapter",
"author": "J.K. Rowling",
...,
"customers_purchased": ["user00", "user01", .., "user999"],
"has_extras": "true"
}

Wir würden dann die Überlaufinformationen
in ein separates Dokument verschieben, das
mit der id des Buches verknüpft ist.

Innerhalb der Anwendung können wir
feststellen, ob ein Dokument ein Feld
has_extras mit dem Wert true hat.

In diesem Fall würde die Anwendung die
zusätzlichen Informationen abrufen.

Pro
▪ Verhindert, dass einige Dokumente oder Abfragen die Lösung
einer Anwendung bestimmen.
▪ Abfragen sind auf „typische“ Anwendungsfälle zugeschnitten,
Ausreißer werden jedoch weiterhin angesprochen.

Contra
▪ Oftmals zugeschnitten auf bestimmte Abfragen,
daher sind Ad-hoc-Abfragen möglicherweise nicht richtig.
▪ Ein Großteil dieses Musters wird mit Anwendungscode ausgeführt.

Das Polymorphic Pattern ist die Lösung, wenn es eine
Vielzahl von Dokumenten gibt, die mehr Ähnlichkeiten
als Unterschiede aufweisen und die Dokumente in einer
einzigen Sammlung aufbewahrt werden müssen.

Stellen wir uns vor, unsere Anwendung
verfolgt professionelle Sportler über
alle Sportarten hinweg.

Aufzeichnungen von Profisportlern weisen
einige Ähnlichkeiten, aber auch
einige Unterschiede auf.

{
"sport": "ten_pin_bowling",
"athlete_name": "Earl Anthony",
"career_earnings": {value: NumberDecimal("1441061"), currency: "USD"},
"300_games": 25,
"career_titles": 43,
"other_sports": "baseball"
}
{
"sport": "tennis",
"athlete_name": "Martina Navratilova",
"career_earnings": {value: NumberDecimal("216226089"), currency: "USD"},
"event": {
"type": "singles",
"career_tournaments": 390,
"career_titles": 167
}
}

Wenn wir nicht das Polymorphic Pattern verwenden,
haben wir möglicherweise eine Sammlung für Bowling-
Athleten und eine Sammlung für Tennis-Athleten.

Wenn wir alle Athleten abfragen wollten, mussten wir
eine zeitaufwändige und möglicherweise komplexe
Verbindung herstellen.

Dieses Entwurfsmuster kann auch in
eingebettete Unterdokumente einfließen.

Pro
▪ Einfach zu implementieren
▪ Abfragen können in einer einzelnen Sammlung ausgeführt werden.

Nahezu jede Anwendung kann von dem Schema
Versioning Pattern profitieren, da Änderungen am
Datenschema im Laufe der Lebensdauer einer
Anwendung häufig vorkommen.

Dieses Muster ermöglicht, dass frühere und aktuelle
Versionen von Dokumenten nebeneinander in einer
Sammlung vorhanden sind.

Die einzige Konstante im Leben ist
Veränderung.

Dies gilt auch für das Datenbankschema.

Schauen wir uns einen Anwendungsfall
für ein Kundenprofil an.

Wir beginnen Kundeninformationen
aufzubewahren, bevor es eine Vielzahl
von Kontaktmethoden gibt.

{
"_id": "<ObjectId>",
"name": "Anakin Skywalker",
"home": "503-555-0000",
"work": "503-555-0010"
}

Mit den Jahren, in denen immer mehr
Kundendaten gespeichert werden, stellen wir
fest, dass auch Mobiltelefonnummern
gespeichert werden müssen.

{
"name": "Darth Vader",
"home": "503-555-0100",
"work": "503-555-0110",
"mobile": "503-555-0120"
}

Es vergeht immer mehr Zeit und wir stellen fest,
dass weniger Menschen ein Telefon zu Hause haben
und andere Kontaktmethoden wichtiger werden.

Twitter, Skype und Google Hangouts
werden immer beliebter.

Das neue Schema wird mit einem
schema_version Feld erstellt.

In diesem Feld kann unsere Anwendung
wissen, wie mit diesem bestimmten Dokument
umgegangen wird.

{
"schema_version": "2",
"name": "Anakin Skywalker (Retired)",
"contact_method": [
{ "work": "503-555-0210" },
{ "mobile": "503-555-0220" },
{ "twitter": "@anakinskywalker" },
{ "skype": "AlwaysWithYou" }
]
}

Wir können davon ausgehen, dass
Dokumente, die dieses Feld nicht
haben, Version 1.0 sind.

Bei neuen Daten die gespeichert werden,
verwenden wir die aktuellste Schemaversion.

Pro
▪ Keine Ausfallzeiten erforderlich.
▪ Steuerung der Schemamigration.
▪ Reduziert zukünftige technische Schulden.

Contra
▪ Benötigt möglicherweise zwei Indizes für dasselbe Feld
während der Migration.

Das Subset Pattern behebt das Problem,
dass die Kapazität des Arbeitsspeichers nicht
überschreitet.

Da bei großen Dokumenten ein
Großteil der Daten im Dokument nicht
von der Anwendung verwendet wird.

Product Collection
{
_id: Objectld("507f1f77bcf86cd799439011"),
name: "Super Widget",
description: "This is the most useful item in your toolbox.",
price: { value: NumberDecimal("119.99"), currency: "USD" },
reviews: [
{
review_id: 786,
review_author: "Kristina",
stars: 5,
review_text: "This is indeed an amazing widget.",
published_date: ISODate("2019-02-18")
},
{
review_id: 785,
review_author: "Trina",
stars: 3,
review_text: "Very nice product, slow shipping.",
},
{
review_id: 1,
review_author: "Hans",
stars: 2,
review_text: "Meh, it´s okay.",
},
{
review_id: 776,
review_author: "Pablo",
stars: 5,
review_text: "Wow! Amazing.",
}
]
}

Product Collection Review Collection
{
_id: Objectld("507f1f77bcf86cd799439011"),
name: "Super Widget",
description: "This is the most useful item in your toolbox.",
price: { value: NumberDecimal("119.99"), currency: "USD" },
reviews: [
{
review_id: 786,
review_author: "Kristina",
stars: 5,
review_text: "This is indeed an amazing widget.",
},
...
{
review_id: 776,
review_author: "Pablo",
stars: 5,
review_text: "Wow! Amazing.",
}
]
}
{
review_id: 785,
review_author: "Trina",
stars: 3,
review_text: "Very nice product, slow shipping.",
},
{
review_id: 1,
review_author: "Hans",
stars: 2,
review_text: "Meh, it´s okay.",
}

In der Product Collection werden nur die
zehn neuesten Bewertungen gespeichert.

Auf diese Weise kann die Arbeitsmenge reduziert
werden, indem nur ein Teil oder eine Teilmenge
der Gesamtdaten eingegeben wird.

Die zusätzlichen Informationen, in diesem
Beispiel Bewertungen, werden in einer separaten
Bewertungssammlung gespeichert.

Pro
▪ Reduzierung der Gesamtgröße des Arbeitssets (RAM).
▪ Kürzere Festplattenzugriffszeit für die am häufigsten
verwendeten Daten.

Contra
▪ Wir müssen die Teilmenge verwalten.
▪ Das Abrufen zusätzlicher Daten erfordert zusätzliche Fahrten
zur Datenbank.

Wenn Daten eine hierarchische Struktur haben
und häufig abgefragt werden, ist das Tree Pattern
das zu implementierende Entwurfsmuster.

Sie möchten beispielsweise die Berichtskette von
einem Mitarbeiter zum CEO identifizieren?

employee_id employee_name position reports_to
1 David Wallace CEO
2 Jan Levinson VP, NE Sales 1
3 Michael Scott Regional Manager 2
4 Dwight Schrute Sales Rep 3
5 Jim Halpert Sales Rep 3
6 Pam Beesly Receptionist 3
employee_id employee_name position direct_reports
1 David Wallace CEO 2
2 Jan Levinson VP, NE Sales 3
4 Dwight Schrute Sales Rep
5 Jim Halpert Sales Rep
6 Pam Beesly Receptionist

MongoDB bietet den Operator $graphLookup
zum Navigieren in den Daten als Diagramme.

Dies könnte eine Lösung sein.

Wenn Sie jedoch viele Abfragen dieser
hierarchischen Datenstruktur durchführen müssen,
möchten Sie möglicherweise dieselbe Regel zum
gemeinsamen Speichern von Daten anwenden, auf
die gemeinsam zugegriffen wird.

Alternativ können wir den vollständigen
Pfad von einem Knoten zum Anfang der
Hierarchie speichern.

{
employee_id: 5,
name: "Dim Halpert",
reports_to: [
"Michael Scott",
"Dan Levinson",
"David Wallace",
]
}

{
_id: 5,
name: "Samsung 860 EVO 1 TB Internal",
part_no: "MZ-76E1T0B",
price: {
value: NumberDecimal("169.99"),
currency: "USD"
},
parent_category: "Solid State Drives",
ancestor_categories: [
"Solid State Drives",
"Hard Drives",
"Storage",
"Computers",
"Electronics",
]
}

Pro
▪ Leistungssteigerung durch die Vermeidung mehrerer
JOIN-Operationen.

Contra
▪ Aktualisierungen des Diagramms müssen in der Anwendung
verwaltet werden.

Das Dokumentenmodell
bietet viel Flexibilität bei
der Modellierung.

Leistungsprobleme sind häufig auf ein
schlechtes Schemadesign zurückzuführen.

Teil 1 auf YouTube:
„Yes zu NoSQL mit MongoDB für
.NET-Entwickler!“
http://bit.ly/2HXZjUp

Die Folien zum Vortrag
http://bit.ly/nosql-schema-design

Die Folien zum Vortrag
http://bit.ly/mongodb-csharp-aspnetcore

http://about.me/Gregor.Biswanger
I´m looking forward to get your feedback
Thank you!

MongoDB: Entwurfsmuster für das NoSQL-Schema-Design

Weitere ähnliche Inhalte

Was ist angesagt? (8)

Ähnlich wie MongoDB: Entwurfsmuster für das NoSQL-Schema-Design (20)

Mehr von Gregor Biswanger (12)

MongoDB: Entwurfsmuster für das NoSQL-Schema-Design