分享程序员开发的那些事...
更新时间：2022-09-12 15:42:32
小编注：在MongoDB的网站上，它这样自我介绍：做以前你从未能做的事（Do What You Could Never Do Before）。为什么MongoDB敢这样说？它有什么长处与不足？今天我们给大家抛砖引玉。
一、 MongoDB是什么？
“需求是创新之母。” 虽然这是句老话，但现在依然很受用！
过去的十年，我们将数据生成、存储和分析的临界点推上一个全新的高度。这个***是我们向数字化的数据驱动的经济又近了一步；这个***也创造了它自身的需要。而这些问题及其解决方法通常都在大数据的保护伞之下。
想象一下：如今，脸书和谷歌产生了更多的数据，它们加在一起超过了前几年的全球数据总量。伴随数据生成的高速增长，随之而来是存储和规模的问题。看，所有人都希望脸书上的订阅能够被瞬间加载——我们憎恨端着手机和电脑在那儿傻傻等着它加载。可回头想想，什么架构才能使我们有这样快速体验？数百万的用户同时向数据库请求实时信息。再加上非结构化数据和系统需求（让您可以快速添加新功能），这看上去更像是一个不可能完成的任务。
传统的数据库很难应付这种需求，且提升规模所需的成本令人望而却步。本文给大家介绍一个新型的数据存储系统，大家管它叫做MongoDB。它提供了无架构设计、高性能、高可用性和自动规模伸缩，这是当前所需要但传统RDBMS系统无法满足的性质。
维基上这么描述MongoDB
二、有谁在用MongoDB？
下面只列举其中一部分。实际上，MongoDB在全球已有一千万次以上的下载量，目前有三十万人正在学习MongoDB。
三、对比传统关系型数据库
将关系型数据库和MongoDB进行比较，就好似在比较一只狮子和一只老虎一般。虽然都是食肉动物，但是一个是独自狩猎，另一个则是群体出动。SQL（老虎）有着一个固定的数据模型，其中的数据需要遵循架构的设计，这有助于组织分析例如销售统计类的结构化数据。而另一方，MongoDB（狮子）是一个基于文档的数据库，它以文档的形式存储数据。虽然他们的方法不同，但依据组织化的需求，这两者都需要数据存储并选择数据库类型。
四、使用MongoDB有什么优点？
从上面的附图你可以发现，当服务器上的查询数量增加时，MongoDB就明显是一个胜利者。MongoDB 非常适用于实时分析，它有着低延迟以及针对需求的高可用性。
MongoDB已经进入了前沿领域，因为各类组织需要分析半结构化、非结构化以及地理或空间数据，更因为现今世界原先的结构化数据正在被快速的改变。
传统的关系型数据库系统不能完全应付得了这些需求，因为它们固有的结构不允许它们处理这样的需求。虽然关系型数据库系统也在改变，来迎合数据的大爆发，但最适合处理当今数据的数据库仍是像MongoDB这类文档数据库。
五、MongoDB的局限性是什么？
以下列举了一些MongoDB的限制。
1.最大的文件不能超过16MB
2.最大文件嵌套层级为100（指文件嵌套文件再嵌套文件）
3.索引区不能超过1024字节。
4.每个集合最多为64个索引。
5.创建一个复合索引最多使用31个字段。
6.全文本搜索和地理位置索引是互斥的。
7.在32位机器上，一个固定集合（capped collection）中的文件数量大小是有限制的。但64位机器上则对文件数量大小没有限制。
8.在Windows系统上，MongoDB不能存储超过4TB的数据（去除日志后为8TB）
9.在单个复制集中最多可有12个节点。
10.在单个复制集中最多可有7个投票节点。
11.如要回滚超过300MB的数据，需要进行人工干预。
12.在分片集群（sharded cluster）中无法使用组命令。
13.在分片集群中无法使用 $isolated, $snapshot, geoSearch。
14.你无法在 $where中涉及到数据库对象。
15.为了分片一个集合，它必须小于256GB。
16.在分片集群中对单条记录（非多条）的更新/移出必须包含分片密钥。同样命令针对多条记录执行时则可以不包含分片密钥。
17.分片密钥最大值为512字节。
18.一旦分片完成，一个集合的分片密钥值将无法改变。
除了这些限制以外，在关系型数据库系统中用约束来防止数据被意外删除的功能在MongoDB或其他NoSQL数据库系统中无法实现。 也可能有其它问题，例如像下面列示的这个，为了存储多层数据而违反了标准范式。
一个用户有许多朋友，并可能其中之一就是他自己。人们可能反复对自身进行点赞、评论或两者皆有的行为动作。这种类型的反复模式使得它更难将一个活动流反规范化（de-normalize）为一份独立的文档
MongoDB也像其它科技一般，非常公平的共享了它的局限性和缺陷，并且随着版本更新，它们将很有希望被解决。
原文发布时间为：2015-06-23
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号