Dokumentendatenbanken – Einordnung

Übersicht

• Dokumentendatenbanken speichern Daten als semi-strukturierte Dokumente (JSON, BSON, XML)
• Jedes Dokument ist ein eigenständiges Objekt mit beliebig tiefer Verschachtelung
• Kein festes Schema – verschiedene Dokumente in einer Collection können unterschiedliche Felder haben
• Bekannte Systeme: MongoDB, CouchDB, Couchbase, Amazon DocumentDB, Firebase Firestore
• Dokumentenstrukturen werden inzwischen von relationalen Datebanken unterstützt (z.B. PostgreSQL mit JSONB-Typ)

Dokumentenorientierte Datenbank

Datenbank = Menge von Kollektionen

Kollektion

• Menge von Dokumenten
• Entspricht Tabelle
• Flexibles Schema

Dokument

• Entspricht einer Zeile in einer Tabelle
• Ähnliche Dokumente in einer Kollektion

Dokumentenstruktur

Typischerweise JSON

{
  "name":     "Alice Meier",
  "age":      28,
  "active":   true,
  "address": {
    "street": "Unter den Linden 1",
    "city":   "Berlin",
    "zip":    "10117"
  },
  "tags":     ["premium", "newsletter"],
  "orders": [
    { "id": "o1", "total": 99.90, "date": ISODate("2024-01-10") },
    { "id": "o2", "total": 49.50, "date": ISODate("2024-03-02") }
  ],
  "meta": null
}

Anwendungsbereiche

Übersicht

• Anwendungen mit reichhaltigen Domänenmodellen
• Web-Anwendungen mit großer Nutzeranzahl
• Anwendungen mit starker horizontaler Skalierung
• CRM-Systeme
• Katalogsysteme
• Portale, News, Wiki, Foren, Blogs

Gut geeignet wenn...

• Datenstruktur variiert pro Eintrag (Produktkatalog, CMS)
• Schnelle Schema-Evolution während Entwicklung
• Daten natürlich als hierarchische Objekte modellierbar
• Horizontale Skalierung auf viele Schreibvorgänge nötig
• Dokumente werden typischerweise als Ganzes gelesen/geschrieben
• Semi-strukturierte oder unstrukturierte Daten (Logs, Events)

Weniger geeignet wenn...

• Stark vernetzte Daten mit vielen Beziehungen (eher Graph-DB)
• Komplexe Multi-Tabellen-Transaktionen häufig nötig
• Strenge referentielle Integrität gefordert
• Komplexe analytische SQL-Abfragen

Bekannte Systeme

MongoDB

• Speichert Daten als BSON (ähnlich JSON)
• Schemafrei (flexible Datenstruktur)
• Horizontale Skalierung (Sharding)
• Sehr verbreitet, großes Ökosystem

CouchDB

• JSON-Dokumente + HTTP/REST API
• Multi-Master-Replikation
• Offline-Synchronisation möglich
• Fokus auf Verfügbarkeit und einfache Integration

Couchbase

• Kombination aus Key-Value und Dokumenten-DB
• Hohe Performance (In-Memory)
• SQL-ähnliche Abfragesprache (N1QL)
• Gute Skalierbarkeit

Amazon DocumentDB

• Voll gemanagter Service (AWS)
• MongoDB-kompatibel
• Automatische Skalierung & Backups
• Stark integriert ins AWS-Ökosystem

Azure Cosmos DB

• Multi-Modell-Datenbank (inkl. Dokumente)
• Globale Verteilung (Multi-Region)
• Niedrige Latenz weltweit
• Verschiedene APIs (SQL, MongoDB, Cassandra)

Firestore

• Dokumentenorientierte Cloud-Datenbank
• Echtzeit-Synchronisation
• Starke Integration mit Firebase
• Automatische Skalierung

Datenmodell: Dokument vs. Relation

Bild: Sadalage, Fowler: NoSql Distilled

Kernunterschiede

• Relationales DBMS: normalisierte Tabellen, Joins erforderlich
• Dokument-DB: verwandte Daten in einem Dokument – kein Join nötig
• Dokumente entsprechen oft direkt den Anwendungsobjekten (z.B. Java-Klassen)
• Arrays und verschachtelte Objekte nativ unterstützt

Unterschiedliche Aggregate

• Dokumente sind Einheiten des Datentransfers
• Entscheidung über die Struktur der Aggregate
• Redundanz
• Anzahl Roundtrips
• Änderungsumfang
• Atomarität

Ein Aggregat

Redundante Speicherung von Kundendaten

Zwei Aggregate

Trennung von Kundendaten und Bestellinformationen

Lookup erforderlich, zweiter Roundtrip

Bilder: Sadalage, Fowler: NoSql Distilled

Anwendungsfall: E-Commerce-Produktkatalog

{
  "sku":      "LAPTOP-PRO-15",
  "name":     "Laptop Pro 15",
  "price":    1299.00,
  "category": "electronics",
  "brand":    "TechCo",
  "stock":    42,
  "images":   ["img1.jpg", "img2.jpg"],
  "specs": {
    "ram_gb":      16,
    "ssd_gb":      512,
    "screen_inch": 15.6,
    "cpu":         "Intel i7-13700H"
  },
  "variants": [
    { "color": "silver", "sku": "…-S" },
    { "color": "black",  "sku": "…-B" }
  ],
  "ratings": {
    "avg": 4.7, "count": 312
  }
}

Produktkatalog

• Verschiedene Produktkategorien haben völlig unterschiedliche Attribute
• Kein Schema-Change bei neuen Produkttypen
• Verschachtelte Spezifikationen und Varianten nativ unterstützt
• Bewertungen direkt eingebettet – kein JOIN für Durchschnitt

Anwendungsfall: Content Management System

{
  "title":     "Einführung in MongoDB",
  "status":    "published",
  "author":    { "id": "u1", "name": "Alice" },
  "tags":      ["mongodb", "nosql", "tutorial"],
  "createdAt": ISODate("2024-02-01"),
  "updatedAt": ISODate("2024-03-10"),
  "content":   "# MongoDB\n\nMongoDB ist…",
  "seo": {
    "metaTitle": "…",
    "metaDesc":  "…",
    "canonical": "/blog/einfuehrung-mongodb"
  },
  "locales": {
    "de": { "title": "Einführung …" },
    "en": { "title": "Introduction …" }
  },
  "comments": [
    { "user": "bob", "text": "Super!",
      "date": ISODate("2024-02-05") }
  ]
}

CMS

• Flexibles Content-Schema
• Mehrsprachigkeit direkt im Dokument
• SEO-Daten, Kommentare eingebettet