我爲何放棄MySQL？選擇了MongoDB

 最近有個項目的功能模塊，爲了處理方便，須要操做集合類型的數據以及其餘緣由。考慮再三最終決定放棄使用MySQL，而選擇MongoDB。

    兩個數據庫，你們應該都不陌生。他們最大的區別就是MySQL爲關係型數據庫，而MongoDB爲非關係型數據庫。常見的關係型數據庫有：MySQL、Oracle、DB二、SQL Server、Postgre SQL等，非關係型數據庫有MongoDB、Redis、Memcached、HBse等等。

 1.關係型數據庫？ 非關係型數據庫？

關係型數據庫能夠理解爲依賴一個模型來建立的數據庫，好比咱們使用的MySQL中的表是由橫列和縱列組成的一個二維表格。關係型數據庫能夠經過關係模型使多個表的數據關聯起來，好比咱們平時說的  一對1、一對多、多對一。因爲是創建在數據模型的基礎上，因此咱們能夠經過SQL語句很方便的在多個表之間作複雜的查詢操做。關係型數據庫相對安全，由於直接存儲在硬盤中因此忽然的宕機、停電等意外不會致使數據丟失。MySQL的存儲方式是由自身的引擎決定的,經常使用的引擎有Innodb和MyISAM。他們主要的區別就是MyISAM 不支持事務，強調的是性能，執行速度比Innodb要快，Innodb提供支持事務等高級數據庫功能。

2.他們的優勢、缺點有哪些

　　關係型數據庫發展了很長一段時間，擁有很是成熟的體系。所佔份額也在逐漸增長。並且支持事物的操做，保證數據的一致性，能夠經過SQL語句完成複雜的操做。可是使用過程當中當數據量到達必定程度時，關係型數據庫的效率會有明顯的降低。一個複雜的查詢操做，一系列的組合索引都會消耗很是多的內存空間，此時咱們須要對數據庫進行讀寫分離操做，或者將數據庫結構進行拆分(水平拆分、垂直拆分)將請求壓力分擔在不一樣的庫中。

垂直拆分是指將一張表拆分紅多個表，表之間經過主鍵進行關聯。

水平拆分是按照某種規則拆分紅多個表，好比經過用戶角色進行拆分

讀寫分離：所謂讀寫分離就是講讀操做(查詢數據)和寫操做(插入&更新)指向不一樣的數據庫節點，他們中間經過某種機制實現數據的同步，如binlog。實際的應用中大部分壓力仍是來自讀操做，因此主要是一主多從的架構。

    非關係型數據庫發展的這幾年，深受人們的喜好。免費開源、成本低、部署簡單、非結構化存儲等等明顯的優點。並且它對海量數據處理能力很是強，內存級數據庫，查詢速度也很是快。存儲的數據格式比較豐富，易於擴展，雖然不能使用sql進行復雜的查詢，可是MongoDB支持JavaScript，因此能夠經過js腳本進行復雜的數據庫管理操做。關於NoSQL的缺點我的感受目前就是不支持事物了吧，其餘方面那都不是事兒。

3.何時用mongo

                                          

 

Mongo是用c++編寫的，支持多種語言如：Java、Python、Ruby、PHP、C++、C# 等，有時候針對不一樣的業務需求，選擇Mongo可以避免浪費不少沒必要要的資源

 

日誌系統

    系統運行過程當中產生的日誌信息，通常種類較多、範圍較大、內容也比較雜亂。經過MongoDB能夠將這些雜亂的日誌進行收集管理。不只方便了管理，查找或者導出也會變得很是容易

地理位置存儲

    MongoDB支持地理位置、二維空間索引，能夠存儲經緯度，所以能夠很快的計算出兩點之間的距離，等位置信息。如查詢附近的人、或者訂餐系統、配送系統等

數據規模增加很快

    前面提到過關係型數據庫數據量過大時，須要進行分庫分表，這樣真正操做起來可能會比較麻煩。若是選擇mongo進行分庫分表操做時，就會變得很簡單。

保證高可用的環境

Mongo自己就擁有高可用及分區的解決方案，設置主從服務器很是方便，除此以外Mongo還能夠快速而且安全的實現故障節點的轉移。

文件存儲需求

GridFS是MongoDB規範，用於存儲和檢索圖片、音頻、視頻等大文件。GridFS雖然是文件存儲的一種方式，能夠存儲超過16M的文件。可是它自己又是存儲在MongoDB集合中的

其餘場景

如遊戲開發中咱們能夠經過MongoDB存儲用戶信息、裝備、積分等，除此以外物流系統、社交系統、甚至物聯網系統，Mongo都能提供完美的數據存儲服務。

4.MySQL、MongoDB簡單的性能測試

關於兩個數據的性能，最有力的的說話仍是經過實踐來進行測試，網上看到一組測試數據，分享給你們。

測試環境：Windows 十、內存8G、AMDRyzen7 1700 3.65GHz。均無索引

測試語言：Python

連接工具：pymysql、pymongo

MySQL && Mongo 測試數據統計

	提交次數	單次提交個數	MySQL運行時間（s）	Mongo運行時間（s）	數據量
1	1000	10000	3912	1622.02	0
2	100	100	30	1.61	1000萬
3	100	100	5.77	1.60	0
4	10	25	2.35	1.56	0
5	10	25	7.42	1.60	1000萬
6	10000	1	298.07	5.29	0
7	10000	1	496.18	5.29	1000萬