Modelação de Dados NoSQLExplained

28 of 28 rows

Padrão↕	O que é↕	Use para↕
Documento
⤢Embedding	Subdocumentos aninhados vivem dentro de um documento pai, em vez de tabelas separadas.	Relações um-para-poucos lidas em conjunto. Um pedido com as suas linhas. Um utilizador com três endereços.
⤢Referencing	Guarda um id externo, não os dados. Resolve-o com uma segunda leitura ou um $lookup.	Subentidades grandes, partilhadas ou atualizadas de forma independente. Ligações muitos-para-muitos entre coleções.
⤢One-to-few	O pai incorpora um array curto de filhos; o conjunto inteiro cabe e carrega como um documento.	Um punhado de números de telefone ou preferências num perfil. Uma leitura devolve pai e filhos.
⤢One-to-many	Os filhos vivem na própria coleção; cada filho traz o id do pai, ou o pai mantém um array de ids limitado.	Conjuntos grandes demais ou independentes demais para incorporar. Consultar filhos por id do pai.
⤢One-to-squillions	O filho guarda o id do pai; o pai nunca lista filhos porque o conjunto é ilimitado.	Eventos, logs ou votos ligados a um host ou utilizador. Filtrar filhos por id do pai e paginar.
⤢Polymorphic document	Documentos de tipos de entidade diferentes partilham uma coleção, distinguidos por um campo de tipo.	Comentários ou notificações anexados a muitos tipos de pai, todos consultados da mesma forma.
⤢Outlier pattern	Algumas entidades extremas são separadas da forma partilhada para que o seu tamanho ou tráfego não distorça o resto.	Contas de celebridades cujas listas de seguidores ou contadores cresceriam para além do documento normal.
⤢Document versioning	Cada revisão é um novo documento com o mesmo id e um número de versão crescente; a consulta escolhe a última.	Trilhos de auditoria e histórico de edições onde revisões antigas continuam consultáveis.
⤢Computed pattern	Valores derivados são calculados no momento da escrita e guardados junto aos dados que resumem.	Totais, classificações e top-N que caso contrário correriam uma agregação em cada leitura.
Chave-valor e coluna larga
⤢Single-table	Termo de desenho DynamoDB: colapsar muitos tipos de entidade numa tabela com partition e sort keys sobrecarregadas.	Obter itens heterogéneos numa única consulta sem join.
⤢Overloaded key	Um atributo-chave serve muitos tipos de entidade, marcado por prefixos como USER# ou ORDER#.	Desenhos de tabela única. Agrupar itens relacionados numa partição e obtê-los numa consulta.
⤢Partition + sort	Uma partition key distribui linhas pelos nós; uma sort key ordena cada partição.	Cassandra e DynamoDB. Pesquisas de intervalo, logs ordenados, chaves compostas hierárquicas.
⤢Composite sort key	Empilha vários atributos numa sort key delimitada — country#region#city — para uma correspondência de prefixo descer a hierarquia.	Hierarquias e filtros multifacetados. Uma consulta ordenada de intervalo substitui muitas pesquisas indexadas.
⤢Time bucketing	Agrupa eventos em janelas fixas — hora, dia, mês — sob partições ou tabelas dedicadas.	Métricas, logs e telemetria IoT. Limita o tamanho da partição e arrefece dados frios.
⤢Denormalization	Duplica campos muito lidos entre registos para que uma consulta nunca persiga uma segunda pesquisa.	Cargas de leitura intensa onde a consistência eventual é tolerável e o armazenamento é barato.
⤢GSI / sparse index	Um índice secundário construído sobre um atributo que só alguns itens têm; itens sem ele nunca entram no índice.	Caminhos de acesso alternativos. Encontrar o subconjunto esparso — pedidos abertos, itens não expedidos — sem uma pesquisa completa.
⤢Query-first modeling	Escreve primeiro as consultas exatas; o layout da tabela deriva delas, não de entidades ou forma normal.	Trabalho de esquema Cassandra e DynamoDB. Uma tabela por família de consultas; o modelo de dados copia a pergunta.
⤢Scatter-gather anti-pattern	Uma consulta tem de atingir muitas partições ou nós em paralelo porque nenhuma chave corresponde à pergunta.	Um mau cheiro a eliminar, não um objetivo. Rechaveie a tabela para que a consulta comum caia numa partição.
⤢Fan-out on write vs read	Cópias são empurradas para a vista de cada leitor no momento da escrita, ou reunidas e fundidas no momento da leitura.	Feeds e cronologias. Fan-out na escrita para audiências pequenas, na leitura para audiências enormes.
⤢Materialized view	Um resultado de consulta pré-construído guardado como a sua própria tabela, mantido atual à medida que a base muda.	Formas de leitura alternativas sobre um caminho de escrita. Serve consultas que a tabela base não consegue responder.
Grafo
⤢Adjacency list	Cada aresta é uma linha ou tuple que aponta de um nó de origem para um nó de destino.	Grafos e property stores. Pesquisas amigo-de-amigo, encaminhamento, recomendações.
⤢Edge document	Cada relação é um documento na própria coleção, com ids de origem e destino mais atributos da ligação.	Grafos em document stores. Atributos na própria ligação — classificação, papel, marca temporal.
⤢Nested sets	Cada nó guarda contadores esquerdo e direito de uma travessia em profundidade; uma subárvore vive dentro do intervalo do pai.	Árvores de leitura intensa. Uma consulta BETWEEN devolve uma subárvore; inserções renumeram a travessia.
⤢Closure table	Uma tabela dedicada regista cada par ancestral-descendente, incluindo cada nó à profundidade zero.	Consultas de ramo inteiro a qualquer profundidade. Joins simples, pagos em armazenamento e manutenção.
⤢Property graph vs RDF	Property graphs anexam atributos chave-valor a nós e arestas; RDF afirma tudo como triplos sujeito-predicado-objeto.	Property graphs para travessia rica (Neo4j); RDF para dados abertos ligados e troca de ontologias.
Vetor
⤢Vector embedding	Um array de floats de alta dimensão fica junto aos metadados. Um índice ANN encontra os vizinhos mais próximos.	Pesquisa semântica, recuperação RAG, recomendações e semelhança sobre conteúdo não estruturado.
⤢Chunking strategy	Os documentos-fonte são divididos — por tamanho, sobreposição ou estrutura — antes de cada peça ser incorporada por si.	Qualidade de recuperação RAG. O tamanho do chunk troca precisão por revocação; a sobreposição protege frases divididas.
⤢Hybrid search	A semelhança vetorial densa corre ao lado da correspondência por palavras-chave; as duas listas ranqueadas fundem-se num resultado.	Consultas que precisam de termos exatos e significado ao mesmo tempo, com filtros de metadados por cima.