📚 技巧和诀窍： MongoDB 属性模式 💻

情况:

• 单一视图应用程序 🔍
• 融合任何类型的数据 🌐
• 动态模式以便迭代 🔀
• 表达性查询语言、索引和聚合以查找和过滤数据 🔍

挑战:

• 多样的数据类型:从不同系统中协调模式很困难 🤯
• rigid 模式:无法更改模式 📛

缺点:

• 只能有细粒度的数据模式 📋
• 无法添加临时查询 🚫
• 无法添加辅助索引 🚫

解决方案: MongoDB 文档模型 💥

• 使用任何类型的数据(数字、字符串、二进制数据、数组) 🔢🔤🔣🔢
• 动态模式:不需要所有字段都一样 🔀
• 查询示例:索引以查找和过滤数据 🔍
• 索引: pet

{
    "name": "Peter"
}
{
    "name": "Mary",
    "pet": "cat"
}

结果:

• 只能查询 Mary,因为她在索引中有 pet 😕

属性模式: 🔑

• 子集:包含许多相似字段的大型文档 📜
• 将子集数据移动到键值子文档中 📂
• 在少量文档的子集中对字段进行排序 🗂️

优势:

• 避免创建大量索引并减少性能 💪

属性模式用例 1:保险公司 🏦

• 将数据从多个来源聚合到一个中心位置 🌐
• 获得客户的 360°视图 🔍
• 以较低的成本提供更好的客户服务 💰
• 快速创新 🚀

之前:

{
    release_Italy: ISODate("1977-10-20T01:00:00+01:00"),
    release_France: ISODate("1977-10-19T01:00:00+01:00"),
    release_UK: ISODate("1977-12-27T01:00:00+01:00"),
}

索引:

{release_Italy: 1}
{release_France: 1}
{release_UK: 1}

之后:

{
    releases: [
        {
        location: "USA",
        date: ISODate("1977-05-20T01:00:00+01:00")
        },
        {
        location: "France",
        date: ISODate("1977-10-19T01:00:00+01:00")
        }
    ],
}

索引:

{ "releases.location": 1, "releases.date": 1}

非确定性命名: 🔖

• 轻松添加额外的限定符 🔍
• 明确说明原始字段和值的关系 📝

{
    "specs": [
        { k: "volume", v: "500", u: "ml" },
        { k: "volume", v: "12", u: "ounces" }
    ]
}

索引:

{"specs.k": 1, "specs.v": 1, "specs.u": 1}

属性模式用例 2:服装 👕

• 以 small、medium、large 表示尺寸 📏
• 部分服装系列以数字表示(11、12、13) 🔢
• 特征很少在资产中共同存在 🎨

产品目录中有相似的属性,如名称、供应商、制造商、原产地 🏭

• 为数据提供良好的结构 🗂️

{
    "specs": [
        { k: "size", v: "11", u: "CHINA" },
        { k: "size", v: "large", u: "USA" }
    ]
}

索引:

{"specs.k": 1, "specs.v": 1, "specs.u": 1}

Reference:

https://www.mongodb.com/developer/products/mongodb/attribute-pattern/
Building with Patterns: The Attribute Pattern

https://www.mongodb.com/solutions/use-cases/single-view
Single View applications

https://www.mongodb.com/blog/post/building-with-patterns-a-summary
Building with Patterns: A Summary

https://www.mongodb.com/blog/post/building-with-patterns-the-approximation-pattern
Building with Patterns: The Approximation Pattern

Editor

Danny Chan, specialty of FSI and Serverless

Kenny Chan, specialty of FSI and Machine Learning