Dokumentové databáze

Dokumentové databáze patří do rodiny NoSQL databází a místo tabulek a řádků ukládají data jako dokumenty – typicky ve formátu JSON nebo BSON (Binary JSON). Každý dokument je samostatná jednotka, která může mít vlastní strukturu nezávislou na ostatních dokumentech ve stejné kolekci.

MongoDB

MongoDB je nejpopulárnější dokumentová databáze – open-source, napsaná v C++, navržená pro vysokou propustnost, horizontální škálování a práci s nestrukturovanými nebo polostrukturovanými daty.

Základní koncepty

// Příklad dokumentu v kolekci "users"
{
    _id: ObjectId("507f1f77bcf86cd799439011"),
    name: "Jan Novák",
    email: "jan@example.com",
    age: 28,
    address: {
        city: "Liberec",
        street: "Studentská 2",
        zip: "46117"
    },
    tags: ["student", "IT"],
    createdAt: ISODate("2025-01-15T10:30:00Z")
}

BSON – Binary JSON

MongoDB interně ukládá data ve formátu BSON (Binary JSON), který rozšiřuje JSON o:

• Další datové typy: Date, ObjectId, Binary data, Decimal128, Long, Timestamp.
• Efektivnější parsování – binární formát, rychlejší než textový JSON.
• Podpora pro indexované prohledávání.

CRUD operace

// CREATE – vložení jednoho dokumentu
db.users.insertOne({
    name: "Petr Svoboda",
    email: "petr@example.com",
    age: 35
});

// CREATE – hromadné vložení
db.users.insertMany([
    { name: "Alice", email: "alice@example.com" },
    { name: "Bob",   email: "bob@example.com" }
]);

// READ – jeden dokument podle podmínky
db.users.findOne({ email: "jan@example.com" });

// READ – více dokumentů s projekcí a řazením
db.users.find(
    { age: { $gte: 18, $lte: 65 } },  // filtr
    { name: 1, email: 1, _id: 0 }     // projekce (které pole vrátit)
).sort({ age: -1 }).limit(10);

// UPDATE – nastavení hodnot
db.users.updateOne(
    { _id: ObjectId("...") },
    { $set: { age: 29 }, $push: { tags: "alumni" } }
);

// DELETE
db.users.deleteMany({ age: { $lt: 18 } });

Dotazovací operátory

Indexy v MongoDB

MongoDB používá indexy založené na \(B^+\)-stromech, podobně jako relační databáze. Bez indexů probíhá collection scan (procházení všech dokumentů).

// Jednoduchý index
db.users.createIndex({ email: 1 });  // 1 = vzestupně, -1 = sestupně

// Složený index
db.users.createIndex({ name: 1, age: -1 });

// Unikátní index
db.users.createIndex({ email: 1 }, { unique: true });

// Textový index (fulltext)
db.articles.createIndex({ title: "text", body: "text" });

// TTL index – dokumenty se automaticky mažou po uplynutí času
db.sessions.createIndex(
    { createdAt: 1 },
    { expireAfterSeconds: 3600 }
);

// Zobrazení všech indexů v kolekci
db.users.getIndexes();

Agregační pipeline

Agregační pipeline je deklarativní framework pro zpracování a transformaci dat. Dokumenty procházejí sekvencí stages (fází), kde každá fáze data filtruje, transformuje, seskupuje, nebo obohacuje. Vstupem každé fáze je výstup fáze předchozí.

db.orders.aggregate([
    // Fáze 1: filtrování – jen objednávky z roku 2025
    { $match: { createdAt: { $gte: ISODate("2025-01-01") } } },

    // Fáze 2: rozbalení pole položek do jednotlivých dokumentů
    { $unwind: "$items" },

    // Fáze 3: seskupení podle produktu, výpočet agregací
    { $group: {
        _id: "$items.productId",
        totalRevenue: { $sum: { $multiply: ["$items.price", "$items.quantity"] } },
        totalSold: { $sum: "$items.quantity" },
        avgPrice: { $avg: "$items.price" }
    }},

    // Fáze 4: seřazení podle tržeb sestupně
    { $sort: { totalRevenue: -1 } },

    // Fáze 5: Top 10 produktů
    { $limit: 10 },

    // Fáze 6: obohacení o název produktu z kolekce products (LEFT JOIN)
    { $lookup: {
        from: "products",
        localField: "_id",
        foreignField: "_id",
        as: "product"
    }}
]);

Replikace

MongoDB zajišťuje dostupnost a odolnost pomocí Replica Setu – skupiny mongod procesů, které drží identická data. Replica Set typicky obsahuje:

• Primary – přijímá všechny zápisy. Právě jeden v RS.
• Secondary – replikuje data z primary. Čtení z nich je možné, ale ve výchozím nastavení nekonzistentní (mohou být pozadu).
• Arbiter – neukládá data, jen hlasuje při volbě nového primary. Používá se pro lichý počet hlasujících uzlů.

Sharding (horizontální škálování)

Pokud data přesáhnou kapacitu jednoho serveru, MongoDB je rozdělí mezi více serverů pomocí shardingu. Data se rozdělují podle shard key – pole nebo kombinace polí, podle kterých se dokumenty distribuují.

Transakce v MongoDB

MongoDB historicky podporovalo atomicitu pouze na úrovni jednoho dokumentu. Od verze 4.0 (2018) podporuje multi-document ACID transakce – včetně rollbacku napříč více dokumenty a kolekcemi.

const session = client.startSession();
try {
    session.startTransaction();
    const orders = session.client.db("shop").collection("orders");
    const inventory = session.client.db("shop").collection("inventory");

    await orders.insertOne({ userId: 42, productId: 7, qty: 1 }, { session });
    await inventory.updateOne(
        { productId: 7 },
        { $inc: { stock: -1 } },
        { session }
    );

    await session.commitTransaction();
} catch (error) {
    await session.abortTransaction();
} finally {
    session.endSession();
}

HDFS

HDFS (Hadoop Distributed File System) není dokumentová databáze, ale distribuovaný souborový systém navržený pro ukládání obrovských objemů dat (petabajty a víc) na komoditním hardwaru. Je základním kamenem ekosystému Apache Hadoop a často slouží jako podkladová vrstva pro databáze a analytické nástroje (HBase, Hive, Spark), včetně dokumentových databází.

Architektura HDFS

HDFS je postavený na modelu master–worker:

graph TD
    Client[Klient] --> NameNode
    NameNode --> |metadata| DataNode1[DataNode 1]
    NameNode --> |metadata| DataNode2[DataNode 2]
    NameNode --> |metadata| DataNode3[DataNode 3]
    Client --> |čtení/zápis dat| DataNode1
    Client --> |čtení/zápis dat| DataNode2
    Client --> |čtení/zápis dat| DataNode3
    DataNode1 --> |heartbeat| NameNode
    DataNode2 --> |heartbeat| NameNode
    DataNode3 --> |heartbeat| NameNode

Vlastnosti HDFS

HDFS vs. MongoDB – kdy použít co

HDFS v ekosystému – jak se používá s dokumentovými DB

HDFS sám o sobě není dotazovatelný – je to jen úložiště. V praxi se nad ním staví vrstvy, které umožňují dotazování:

graph TD
    HDFS[HDFS – distribuované úložiště]
    HDFS --> HBase[HBase – sloupcová NoSQL DB]
    HDFS --> Hive[Hive – SQL dotazy nad soubory]
    HDFS --> Spark[Spark – distribuované výpočty]
    HDFS --> MongoDB[MongoDB Connector – export do MongoDB]

Typický tok dat: HDFS ukládá surová data → Spark je zpracuje → výsledky se uloží do MongoDB, kde slouží pro rychlé dotazy z aplikace.