1 左右为难：MySQL vs MongoDB

1.1 对比一览

1.2 从使用看对比

1.2.1 文档数据类型：字段结构更丰富

• MongoDB的数据类型非常丰富，BSON/JSON结构，可以表示任意结构的数据。

• MySQL的数据类型相对贫瘠，行列结构，层级结构数据需要拆表、联立表示，复杂了数据管理方式。除此之外，业务数据与DB数据需要ORM来完成映射表示，代码复杂度较高。

1.2.2 Schema：让数据更灵活

• MongoDB是动态Schema，无需预先定义Collection结构；而MySQL是静态Schema，需要预先定义Table结构。举例来说，如果我们的数据时效性以一个月为限，很少会追溯过期数据，我们更希望将表以时间为划分依据，如Data-201901、Data-201902等，这在MongoDB中可以轻易实现，而如果在MySQL中则要复杂许多，要么动态执行Create Table语句，要么将数据放在一起。在之前写过的Slowlog管理系统中，因为数据量较大，采用MySQL存储数据时，需要定时任务去定期归档数据，代码复杂度搞。

• MongoDB是NoStrict Schema，同一Collection的文档结构允许不同；而MySQL是Strict Schema，同一Table的字段结构必须相同。因此，为了实现复杂的数据结构，MySQL常常会将一个业务结构拆成多张表表示，也会通过空字段处理，即有的记录的字段有值，有的是空值。非强制性Schema最大的好处就是支持业务变化、代码重构，尤其是业务不稳定阶段，表（集合）结构经常变化，但又害怕数据丢失，因此只能不断加字段，导致一张表中会有很多无效字段，而在非强制Schema中，每条记录（文档）的结构都可以不一样，因此新变化对老数据无侵害。
  

1.2.3 事务管理：MongoDB的短板

事务管理是MongoDB的软肋，目前v4.2版本已经推出了事务功能，但事务操作必须针对已存在的集合（Existing Collection）。

2 MongoDB常见操作

2.1 查看库表

show dbs          // 列举MongoDB实例的数据库show collections  // 列举当前库下的所有集合

2.2 查看表数据

MongoDB的查询语法比较丰富，既有普通文档的条件查询，还有嵌入文档、数组字段的查询，具体语法可以参见官网https://docs.mongodb.com/manual/tutorial/query-documents/，MongoDB的文档除了讲解说明外，还有交互终端，用户可以自由使用。

无论是何种查询，最终都离不开两个问题：（1）查询条件是什么？（2）查询结果又是什么样子的？

2.2.1 查询表达式（Query Selector）

如上是MongoDB的一些操作符，通过这些操作符和字段、值的联立组合，可以形成复杂的查询条件。

假设，我们要在部署记录集合（deploy_record）中查询用户（sli4）、在12月部署的失败（Failure）和取消（Cancel）的记录：

db.deploy_record.find({user:"sli4",   date: {"gte": ISODate("2019-12-01T00:00:00Z),     "lt": ISODate("2020-01-01T00:00:00Z)  },  status:{$in: ["Failure", "Cancel"]} })

很多技术内容，光看文档是无法真正领会的，需要有真实的操作场景，才能碰到自己想不到的问题。本想写一篇概括性、总结文章，可以一页指北，却发现，只能提供概要性说明，具体实践过程，还是要面向文档和Google编程！

2.2.2 投射

投射，就是SQL中的字段选择。MongoDB默认返回符合查询条件文档的全部字段，为了限制MongoDB返回的数据量，可以通过投射表达式选择需要的字段。

db.collection.find({查询条件},{投射表达式})

投射表达式，就是为指定字段设定是否返回标识，1标识返回，0标识不返回。如部署记录（deploy_record）只返回应用（app）、状态（status）：

注意：MongoDB默认是返回主键（_id），因此如果不需要主键时，需要显示指定_id:0。

2.2.3 聚合

Aggregation operations process data records and return computed results.聚合操作通过数据分组、针对分组数据执行一系列操作、最终生成单一计算结果值。聚合提供Pipeline、MapReduce、Methods三种方式。聚合操作可以简化应用层的业务逻辑，在数据层提取需要的数据值。

因为聚合比较重要，也很复杂，我们将在下面另起一个模块讲解说明。

2.3 创建数据：insert

db.collection.insertOne()  // 插入单一文档db.collection.insertMany() // 插入多个文档db.collection.insert()     // 插入一个或多个文档

MongoDB的数据插入行为有三点内容需要明确：

• 如果插入数据时，集合尚未存在，insert操作会触发集合创建。

• mongodb中每个文档都是以_id作为主键，如果插入的文档中没有指定_id，mongodb会默认分配唯一ID。

• 无论插入一个还是多个文档，mongodb都是以单一文档为原子性维度，即插入过程中如遇错误，只影响正在插入的文档，不影响已经成功的文档，不会回退至插入操作前的状态。
  

2.4 修改操作

// 修改操作的命令格式{  <update operator> : { <field1>:<value1>, ... },  <update operator> : { <field1>:<value1>, ... },  ...}

2.4.1 修改还是替换

上图的两个操作，一个是替换，一个是字段更新，在没有$set更新操作符时，是以新值替代旧值；而有$set时则只针对指定字段更新。

db.deploy_record.update({_id: 1}, {user: "王五"})db.deploy_record.update({_id: 1}, {$set: {user: "王五"}})

2.4.2 更新操作注意事项

• _id字段不可更改

• upsert操作：当upsert为true时，如果没有匹配的文档可供修改，会将更新文档作为新文档插入集合。
  

2.4.3 还有更多操作符，具体使用结合文档和场景

https://docs.mongodb.com/manual/reference/operator/update/

2.5 删除操作

db.collection.delete({查询表达式})

3. MongoDB的高级操作--聚合

3.1 Pipeline

3.2 MapReduce

MapReduce是大数据处理模型，通过map和reduce两个阶段获取理想的数据结果：

• Map：通过map函数提取一组kv对，每个key都有多个value，准确的说是key-values。

• Reduce：通过reduce函数，以key为组，分组计算求得结果。

在MongoDB中，MapReduce的命令格式如下：除了提供map、reduce函数外，还需要指定数据的筛选条件（query）和数据结果的保存集合（out）

{  function map(){},  function reduce(key, values){},  {    query: {查询表达式},    out: 输出集合  }}