MongoDB高级应用场景及技术特点分析

1、MongoDB技术特点及典型应场景分析RDBMS,MongoDB?NoSQL,MongoDB?哪些场景适合MongoDB？核特点Document Model最佳的数据管理式Distributed System智能得将数据放在需要的地Run Anywhere由得运于任意平台档模型模型易_id : 123456 ,first_name : Mark , last_name : Smith, city : San Francisco , phones: number : 1-212-777-1212,dnc : true,type : home,number : “1-212-777-1213”,t

2、ype : cell举例金融业资产管理案例1. 基础客户信息 客户名称客户地址组织机构代码 营业执照号社会统一信用代码2. 客户行业信息矿业行业：煤炭生产许可证矿井储量（万吨）矿井位置（经纬度）百万吨死亡率（）地产行业：房地产资质证书年开工面积（平米） 年销售面积（平米）电力行业：装机容量（兆瓦） 年发电量（兆瓦）关系模型传统关系型设计模式客户ID名称地址组织机构代码营业执照矿井储量开积.发电量100001多多的电xxxxxxxxxxxxxxxx100002的地产xxxxxxxxxxxxxxxx传统案1：宽表传统案2：主从表客户ID名称地址客户IDMETRIC_NAMEMETRIC_VALUE

3、100001深深的煤业xxxx100001产许可证mtsc017100001矿井储量2000000100001矿井位置138.2031-124.4904100002百万吨死亡率2%档模型档类型设计模式档1name: “深深的矿业”, orgId: “70107890X”,industryInfo: type: “ 采 矿 ” coalCertificate: “mtsc017”,location: 38.2031, -120.4904 ,mineReserves：2000000, deathsByMT: 0.02档2name: “的地产”, orgId: “565425429”,industr

4、yInfo: type: “地产”,estateCertificate: “fdczz0000001”, areaPerYear ：897600.00， salesAreaPerYear : 300000.00储量小于2000万吨：db.collection.find( industryInfo. mineReserves : $lt: 20000000 )档模型/mercury/M320/事务持4.2版本持分布式多档事务with client.start_session() as s:s.start_transaction()try:collection.insert_one(doc1, s

5、ession=s) collection.insert_one(doc2, session=s) mit_transaction()except Exception:s.abort_transaction()和关系数据库的事务操作样语法基本样任何应都可以使个表或多个表中的多个档都适ACID 保证要么全成功，要么全失败版本要求MongoDB 4.0, 持复制集MongoDB 4.2: 持分档模型性能强、功能丰富性能强功能丰富档模型、动分PB级数据库持地理位置查询图查询列表查询分布式扩展复制集 & 分复制集持2-50个节点动恢复 关键能：-可容灾维护升级任务隔离：联机与分析作业隔离持不同存储引擎（

6、WireTiger 、 In-memory）分布式扩展复制集 & 分分策略：范围、哈希、标签弹性扩展与收缩 数据动均衡 应完全透明分布式扩展复制集 & 分资源最佳分配冷热数据动归档地理分布弹性扩展按地域就近读写海量数据与并发库多不同节点持不同应任意部署本地、云端、移动端核特点最佳的数据管理式智能的将数据放在需要的地由的运于任意平台档模型易 模型变零代价 性能表现优异 查询功能丰富可复制集 分弹性扩展库多 可插拔引擎就近数据读写服务器云（Atlas） 容器移动端统视图Single View金融互联零售分析户资产、信、盈利、投 资数据，控制风险，提供增值业 务。根据户为与浏览内容，实时 推荐感兴趣

7、的商品、内容。全渠道户信息清洗合并，成 标签信息，个性化活动推送与服 务。统视图Single View05功能要求MongoDB数据模型数据来源于多个系统，数据格式差异随着业务发展，需要动态调整数据模式数据模型档模型持丰富的数据结构（Attribute Pattern）灵活模式变成本查询查询条件、类型多变数据算法分析&快速可视化查询丰富的查询、索引、聚合数据可视化：MongoDB Charts & BI ConnectorAI: Spark connector、R & Python Drivers性能与安全新数据源持续集成，数据量增迅速敏感数据安全与保护性能与安全动扩展分架构鉴权、权限、加密、

8、审计基于Zone的分区物联 & 时序数据IoT & Time-series DataIoT交易数据日志可穿戴设备、联、等传感器 数据，包含了量数据价值。情数据、交易为分析，提供 相似K线，智能投顾等增值业务。基础架构及应系统产的日志 分析，提升运维效率降低故障 率。物联 & 时序数据IoT & Time-series Data功能要求MongoDB数据模型时序类数据，并发写数据结构随着软/硬件版本的新发变化数据模型档模型持丰富的数据结构（Bucket Pattern）灵活模式变成本扩展与性能数据量，随设备全球分布持续在线读写实时性要求扩展性分布式架构auto-shardingrang hash

9、 zone的分策略计算分析实时写与实时分析数据量计算分析计算分析库多丰富的查询、索引、聚合数据可视化：MongoDB Charts & BI ConnectorAI: Spark connector、R & Python Drivers产品录 & 内容管理Product Catalog & Content Management产品录内容管理移动应SKUs、F/X标的，设备等。属性 和metadata频繁新。组织管理任何形式的数据： 本、视频、频、图等。移动/现代应快速开发、快速上 线、快速迭代。产品录 & 内容管理Product Catalog & Content Management功能要求

10、MongoDB数据模型对象有复杂多变的属性，元数据应快速迭代，频繁新数据模型数据模型档模型持丰富的数据结构灵活模式变成本，应版本快速迭代上线GridFS持存储二进制数据户体验户查询请求条件组合多变促销、秒杀等活动期间数据库性能不能降低-7*24在线户体验丰富的查询、索引、聚合分布式架构auto-sharding，户就近访问数据库多：复制集同时满在线交易与分析型需求实时分析户个性化推荐实时统计销售指标与内容消费情况实时分析聚合Aggregation PiplineAI: Spark connector、R & Python Drivers数据可视化：MongoDB Charts & BI Con

11、nector主机下移 & 数据中台Mainframe Offload & Operational Data Layer成本敏捷体验量查询压转移到ODL上， 好的性能与扩展性，降低成本。快速响应业务变化，ODL数据平 台提升开发效率3-5倍。7*24，满不断增的户和数 据量增。主机下移 & 数据中台Mainframe Offload正在使户案例情况实时交易分析整合全分散交易数据，实现客户层本帐收实时汇总交易金额，秒级响应千亿级别数据实时处理中台系统&策略量化户全局数据、共享数据、标签、字典，处理三端微30000/s的并发请求产品资讯信息，模拟盘数据情数据存放与分析，量化交易旅客数据旅客多数据源的快速集成（航信、程、李、投诉、贵宾厅、站、App等）Spark和MongoDB集成，幅提升数据分析合处理速度旅客敏感数据集中到Mo