javascript - mongodb存储标签，应该使用联合字符串还是数组？

Question

在大多数教程中，标签将存储为 [tag, tag, tag]。我有另一个想法，像这样保存标签:“tag.tag.tag”，例如“web.javascript.angularJS”，然后像这样查询文档

db.articles.find({'tags': /javascript/})

我认为查找子字符串比数组中的元素更快。有没有人有类似的经历。

Answer 1

介绍

MongoDB 中的数据建模是通过首先确定您需要回答的问题并从这些问题中得出优化的数据模型来完成的。就您而言，您的问题似乎是

For a given tag, what are the articles?

为了尽快回答您的查询，您需要为它们建立索引。索引基本上是用户定义的键的键值存储以及数据文件中的文档位置。

查看索引

如果您将标签写在单个字符串中，我们将看看索引会是什么样子。假设我们有三个文档，每个文档都有三个标签，其中两个带有规范化标签“javascript”。简化了很多(实际上，索引存储在 B-trees 中)，我们的索引将如下所示:

"foo.bar.baz": LocationOfDocument1;
"foo.javascript.bar": LocationOfDocument2;
"bar.javascript.baz": LocationOfDocument3;

如您所见，我们在关键方面有很多冗余。这有两个问题。第一个问题是，即使找到了标签，索引仍可能提供额外的命中，因此我们的查询花费的时间比最佳时间长。第二个问题是冗余占用了宝贵的 RAM。假设您有数十万甚至数百万篇文章。

那么，如果我们使用数组来存储标签，我们的索引会是什么样子呢？

"foo":[ LocationOfDocument1, LocationOfDocument2 ];
"bar":[ LocationOfDocument2, LocationOfDocument2, LocationOfDocument3 ];
"baz":[ LocationOfDocument1, LocationOfDocument3 ];
"javascript":[ LocationOfDocument2, LocationOfDocument3 ];

还是多余的，对吧？好吧，除了一些因素:我们已经大大减少了 key 端的大小，并且与相当昂贵的长字符串作为 B-树。(附注:我认为文档位置存储为 4 字节整数。)所以我们的索引可能有更多的条目，但它更紧​​凑。

此外，我们还有一个额外的优势:我们可以放弃相当昂贵的正则表达式。换句话说:您可以通过使用简单的等式表达式来消除对索引键使用正则表达式来查找搜索字符串的成本。在 shell 术语中，这看起来像:

db.articles.insert({"foo":bar,tags:[tag1.toLowerCase(), tag2.toLowerCase()]})
…
db.articles.find({"tags":inputStr.toLowerCase()})

通过将索引存储在 B 树中，您的搜索时间会大大减少。还有另一个优点。由于 B 树是排序的，当我们找到正匹配时，例如在“javascript”上，我们将拥有带有这些标签的所有 文档，并且索引处理可以停止。通过对键进行正则表达式搜索，每次都必须处理索引的所有键，而且操作成本也相当高。

结论

通过将标签存储在数组中，您将加快给定标签的平均查找时间，并且肯定不会比缩减为相当长的字符串的标签索引差。此外，您需要更少的 RAM 来存储索引，这在缩放时非常重要。

预期评论:是的，这也是数据和经验所显示的。

注意我对提出以下建议犹豫不决(因为这可能弊大于利)，但在某些用例中 text search index可能有道理。例如，当您想要对文章的标签、标题和文本进行不区分大小写的搜索“JavaScript”时。但是，使用文本索引会带来一些超出此答案范围的复杂性。而且，您仍然可以将标签放在一个数组中。