mongoDB简介及关键特性

mongoDB是一个介于关系数据库和非关系数据库之间的开源产品，是最接近于关系型数据库的NoSQL数据库。它在轻量级JSON交换基础之上进行了扩展，即称为BSON的方式来描述其无结构化的数据类型。尽管如此它同样可以存储较为复杂的数据类型。本文对其进行简要描述以及列出其关键特性。

一、什么是mongoDB

开源的NoSQL数据库
用于存储非结构化数据
SQL中的绝大多数操作有对应的方式来实现
采用BSON描述数据类型

二、有哪些逻辑概念

mongoDB与SQL数据库脚本上大同小异，常见的逻辑对象通常包括
数据库，集合，文档，字段
索引，主键，聚合
以下为其与SQL的对照，详细可以参考：http://blog.csdn.net/leshami/article/details/52692912

SQL Terms/Concepts                      MongoDB Terms/Concepts
-------------------                     -----------------------------------
database                                  database
table                                     collection
row                                     document or BSON document
column                                  field
index                                     index
table joins                             embedded documents and linking
primary key(指定一个唯一列或复合列)      primary key(由_id自动生成)
aggregation (e.g. group by)             aggregation pipeline

如下图所示

文档
简单点说，可以理解为一个文本文件，不过这个文本文件有固定的格式，即为使用BSON的有序键值对。
对于接触或使用过关系型数据库的亲们，文档就相当于表中的一条记录。
MongoDB 的文档可以设置为使用不同的字段，并且相同的字段可以使用不同同的数据类型
文档中的值不仅可以是在双引号里面的字符串，还可以是其他几种数据类型（甚至可以是整个嵌入的文档)。
MongoDB区分类型和大小写。
MongoDB的文档不能有重复的键。
文档的键是字符串。除了少数例外情况，键可以使用任意UTF-8字符。

示例
{
author:"Leshami",
age:25,
email:"robinson.cheng@qq.com",
score:{c:89,m:96,e:87},
country:"USA",
books:["JS","C++","EXTJS","MONGODB"]
blog:"http://blog.csdn.net/leshami"
}

集合
多个文档组成一个集合，相当于关系型数据库的表。通常包括常规集合以及定长集合
集合存在于数据库中，无固定模式，即使用动态模式。也就是说集合不要求每一个文档使用相同的数据类型以及列
上述特性及成为free-schema，但通常还是建议将相关类型的文档组织或存放到一个集合里边。
在上面的图示中，即可以看到都多个不同的文档组成了一个集合

数据库
一个mongodb实例可以包含多个数据库
一个数据库可以包含多个集合
一个集合可以包含多个文档

三、有哪些关键特性

面向集合
易存储对象类型的数据，包括文档内嵌对象及数组，支持二进制及大型对象
模式自由
无需知道存储数据的任何结构定义，支持动态查询、完全索引
文档型
以键-值对形式存储，支持数组，支持文档之间嵌套
支持B+索引，全文索引，地理空间索引
C++实现
支持复制和故障恢复
可以通过配置复制集的方式实现节点间复制以及故障转移
基于复制集的读写分离以分散IO，提高性能
支持分片
可以基于片键实现分片，即将数据集分散在不同的节点
支持分片自动均衡以及手动均衡
可以结合复制集构建强大的分布式集群
易伸缩，支持水平的数据库集群，可动态添加额外的服务器
支持多平台
Windows，Linux，Mac OS-X，FreeBSD，Solaris
多语言驱动
Ruby，Java，C#，JavaScript，C，C++，PHP，Perl，Python
不需要额外的缓存
丰富的数据类型
mongoDB自身包含一个监视工具用于分析数据库操作的性能

四、适用哪些场景

更高的写负载
不可靠环境保证高可用
数据量超大规模，大尺寸，低价值的数据
基于位置的数据查询
非结构化数据的爆发增长
常用的场景包括
Web应用程序
敏捷开发
分析和日志(目标原子更新，定长集合)
缓存
可变Schema

五、不适用哪些场景

高度事务性，强一致性业务系统(银行，证券等)
传统商业智能应用
极为复制的业务逻辑查询