Apakah corak pemodelan data MongoDB yang lazim?

Question

Accepted Answer

Selain keputusan asas embed berbanding reference, MongoDB mempunyai **corak pemodelan data** yang mantap — penyelesaian terbukti untuk senario lazim seperti tatasusunan besar, data polimorfik, dan perhubungan. Mengetahuinya membantu anda mereka bentuk skema yang berkesan untuk situasi sebenar.

## Corak Bucket — kumpulkan data siri masa/berkaitan

```js
// instead of one document per reading (millions of tiny docs), BUCKET them:
{
  sensorId: "s1",
  date: ISODate("2024-01-15"),
  readings: [                            // a day's readings in one document
    { time: "10:00", value: 23 },
    { time: "10:01", value: 24 }
  ]
}
// → fewer documents, efficient for time-series/IoT data
```

## Corak Subset — embed subset yang kerap digunakan

```js
// embed the most-used part, reference the rest (for large related data)
{
  _id: ObjectId("..."),
  title: "Product",
  recentReviews: [ /* 5 most recent — embedded for fast display */ ],
  // full reviews live in a separate collection (referenced)
}
// → fast common reads without loading ALL related data
```

## Corak Computed — prakira dan simpan

```js
// store precomputed values (avoid recomputing on every read)
{ productId: "p1", totalReviews: 1500, avgRating: 4.5 }
// → update these when reviews change; reads are fast (no aggregation needed)
```

## Corak Extended Reference — embed medan rujukan utama

```js
// embed the OFTEN-NEEDED fields of a referenced document (avoid a join for common reads)
{ orderId: "o1", customer: { _id: "u1", name: "Ann", city: "NY" } }  // enough for display
// → reference customer._id for full data; embed name/city for the common read
```

## Corak lain

```text
Polymorphic    → different document shapes in one collection (with a "type" field)
Schema Versioning → a version field to handle evolving schemas in one collection
Outlier        → handle rare documents that don't fit the common pattern specially
Approximation  → store approximate values (e.g. view counts) to reduce write load
Tree/Hierarchy → patterns for hierarchical data (parent refs, arrays of ancestors, etc.)
```

## Mengapa ia penting

Memahami corak pemodelan data MongoDB yang lazim adalah berharga untuk **mereka bentuk skema yang berkesan bagi senario dunia sebenar**, jadi ia merupakan pengetahuan yang berguna yang membina di atas keputusan asas embed berbanding reference.

Walaupun embed berbanding reference ialah pilihan teras, aplikasi sebenar menghadapi cabaran pemodelan berulang yang ditangani oleh corak terbukti ini: **corak Bucket** (mengumpulkan bacaan siri masa/IoT ke dalam dokumen yang lebih sedikit — penting untuk kes penggunaan siri masa yang lazim, mengelakkan berjuta-juta dokumen kecil), **corak Subset** (embed subset yang kerap digunakan sambil merujuk data penuh — mengimbangi prestasi bacaan dengan saiz dokumen untuk data berkaitan yang besar), **corak Computed** (prakira dan simpan nilai seperti jumlah/purata untuk mengelakkan pengiraan semula yang mahal pada bacaan), **corak Extended Reference** (embed medan yang kerap diperlukan bagi dokumen yang dirujuk untuk mengelakkan join bagi bacaan lazim — hibrid yang praktikal), dan lain-lain (polimorfik untuk bentuk yang berbeza, schema versioning untuk evolusi, corak pokok untuk hierarki).

Mengetahui corak-corak ini menyediakan **penyelesaian terbukti** untuk senario lazim dan bukannya mencipta semula reka bentuk, membantu anda membuat keputusan pemodelan yang baik untuk situasi seperti data siri masa, collection berkaitan yang besar, pengiraan yang mahal, dan data hierarki.

Memandangkan aplikasi MongoDB sebenar menghadapi cabaran reka bentuk berulang ini, dan memandangkan corak yang mantap menyediakan penyelesaian yang teruji dan berkesan (meningkatkan prestasi dan kebolehselenggaraan), memahami corak pemodelan data MongoDB yang lazim — corak bucket, subset, computed, extended reference, dan lain-lain — adalah pengetahuan yang berharga dan relevan secara praktikal yang mengangkat reka bentuk skema daripada pilihan asas embed/reference kepada penggunaan penyelesaian terbukti untuk senario sebenar, mencerminkan kemahiran reka bentuk MongoDB yang matang dan membantu membina skema yang berprestasi baik untuk corak capaian dan ciri data tertentu sesebuah aplikasi.