MongoDB学习总结

vivion27

概念与说明

MongoDB介绍

MongoDB的名称取自“humongous”(巨大的) 的中间部分 。于2010年8月5日发布了最新的正式版本v1.6，这是其继1.0、1.2、1.4版本后的第四个主要稳定版本。由10gen公司为其提供商业支持。· 它是一个开源的、面向文档的数据库，属于nosql数据库中的一种。(nosql全称是”notonly sql”，是非关系型数据存储的广义定义)。
它可运行在Linux、Windows或OSX平台，支持32位和64位应用并且提供了Java，PHP，Ruby，C#，C++，JavaScript等多种语言的驱动程序。

MongoDB特性

MongoDB是一个可扩展、高性能的下一代数据库，由C++语言编写，旨在为web应用提供可扩展的高性能数据存储解决方案。它的特点是高性能、易部署、易使用，存储数据非常方便，主要特性有：
l        模式自由，支持动态查询、完全索引，可轻易查询文档中内嵌的对象及数组。
l        面向集合存储，易存储对象类型的数据, 包括文档内嵌对象及数组 。
l        高效的数据存储,支持二进制数据及大型对象(如照片和视频) 。
l        支持复制和故障恢复；提供了主-从、主-主模式的数据复制及服务器之间的数据复制。
l        自动分片以支持云级别的伸缩性，支持水平的数据库集群，可动态添加额外的服务器 。


MongoDB结构

传统的关系数据库一般由数据库(database)、表(table)、记录(record)三个层次概念组成，MongoDB同样也是由数据库(database) 、集合(collection)、文档对象(document)三个层次组成。 MongoDB里的集合对应于关系型数据库里的表，但是集合中没有列、行和关系的概念，这体现了模式自由的特点。
MongoDB存储的数据格式是key-value对的集合,键是字符串,值可以是数据类型集合里的任意类型,包括数组和文档对象。这种数据格式称作 BSON，即 “Binary Serialized Document Notation”，是一种类似JSON的二进制序列化文档。
MongoDB使用了内存映射文件进行数据管理，把所有空闲内存当缓存使用,且不能指定内存大小。这既是优点也是缺点：优点--可以最大限度提升性能；缺点--容易受其它程序干扰。
数据空间采用预分配,目的是为了避免形成过多的硬盘碎片。它为每个数据库分配一系列文件，每个数据文件都会被预分配一个大小，第一个文件名字为“.0 ” ，大小为64MB，第二个文件“.1”为128MB ，依此类推，在32位模式运行时支持的最大文件为2GB。随着数据量的增加，可以在其数据目录里看到这些不断递增的文件。
MongoDB没有自动递增或序列特性,当BSON对象插入到数据库中时,如果没有提供“_id”字段 ,数据库会自动生成一个ObjectId对象作为“_id”的值插入到集合中作为该文档的主键
(这就避免了其它数据库意外地选择相同的惟一标识符的情况) ，“_id”的值由4字节的时间戳,3字节的机器号,2字节的进程id以及3字节的自增计数组成。当然字段“_id”的值可以手动生成(任意类型都可)，只要能够保证惟一性。
每个插入的BSON对象大小不能超过4MB，如果超过4M时需使用 GridFS来储存数据。删除记录后不会释放已分配的空间，换句话说：原记录空间不删除。

MongoDB二进制文件功能

MongoDB的服务器端程序只有两个：
Mongod.exe: MongoDB的主要的数据存储服务程序和配置服务程序。
Mongos.exe:MongoDB的集群路由程序，负责自动分片，用于构建一个大规模的可扩展的数据库集群,这个集群可以并入动态增加的机器，可以将数据库分表存储在集群的各个节点上。
MongoDB的客户端工具有很多，最常用的就是Mongo.exe，它做为对MongoDB的管控程序，可以使用输入命令的方式修改、查询MongoDB的数据和配置。

MongoDB常用命令

l        Help：查看mongodb支持的命令。
l        db.help：查看当前数据库支持哪些方法当前数据库下的表。
l        db.dbname.help()：查看当前表collection支持哪些方法。
l        show dbs：列出所有数据库。
l        use test： 使用数据库test ，即使这个数据库不存在也可以执行，但该数据库不会立刻被新建，要等到执行了insert之类的操作时，才会建立这个数据库。
l        show collections ： 列出当前数据库的所有文档。
l        db ： 显示当前数据库。
l        show users ： 列出用户。
l        db.printShardingStatus() ：将当前MongoDB分片的状态打印出来。
l        db.runCommand({ xxxx}) ：在当前DB上执行一些命令。
l        db.xxx.stats() ：显示当前db的某个collection的状态。
l        db.xxx.find()：显示当前db的某个collection的所有内容。

详细的MongoDB的shell命令见：http://www.mongodb.org/display/DOCS/dbshell+Reference

GridFS

MongoDB自带的分布式文件系统GridFS ,可以支持海量的数据存储。
GridFS将文件分块存储，分别将文件的元信息和文件块存入不同的collection,mongoDB提供的GridFS类将文件默认分块大小设置为256K。如果不改变设置，GridFS在存入文件时，将文件块存入db.fs.chunks的collection中,将文件信息存入db.fs.files中。
文件必须的信息有以下字段：

{
  "_id" : ,                  // unique ID for this file
  "length" : data_number,                 // size of the file in bytes
  "chunkSize" : data_number,              // size of each of the chunks.  Default is 256k
  "uploadDate" : data_date,               // date when object first stored
  "md5" : data_string                     // result of running the "filemd5" command on this file's chunks
}

文件块的信息字段包括：
{   
  "filename" : data_string,               // human name for the file
  "contentType" : data_string,            // valid mime type for the object
  "aliases" : data_array of data_string,  // optional array of alias strings
  "metadata" : data_object,               // anything the user wants to store
}



“_id”的类型可以自选，但是默认类型是BSON对象的objectid。
块信息的“files_id”是外键与files集合中的“_id”相关联。

详情可参考：http://www.mongodb.org/display/DOCS/GridFS+Specification


Sharding

一个mongodb集群包括一些shards（每个shard包括一至多个mongod进程），mongos路由进程，一个或多个config服务器 。
名词：
Shards : 每一个shards包括一个或多个存储数据的mongod进程，典型的每个shards开启多个服务来提高服务的可用性。这些mongod进程在shards中组成一个复制集（replica pairs）。
Chunks: Chunks是一个集合中的一个数据范围，（collection，minKey，maxKey）描叙一个chunks，它介于minKey和maxKey范围之间。例如假设chunks 的maxsize大小是100M，如果一个文件达到或超过这个范围时，会被切分到2个新的chunks中。当一个shard的数据过量时，会将一整个chunks迁移到其他的shards上。同样，chunks也可以迁移到其他的shards上。
Config Servers : Config服务器存储着集群的metadata信息，包括每个服务器，每个shard的基本信息和chunk信息Config服务器主要存储的是chunk信息。每一个config服务器都复制了完整的chunk信息。

一个分布式集群至少需要三部分：
1、两个或更多的Shards。
2、最少一台Config Server。
3、一个mongos路由进程。

Sharding的介绍：http://www.mongodb.org/display/DOCS/Sharding+Introduction
Sharding配置说明：http://www.mongodb.org/display/DOCS/Configuring+Sharding

Sharding配置的官方示例：http://www.mongodb.org/display/DOCS/A+Sample+Configuration+Session

MongoDB编译和构建

1、  下载MongoDB源码并解压。

2、  下载boost并且解压到MongoDB所在盘根目录，目录名为boost，然后编译之。如果已经拥有了Boost可以使用mklink在根目录下面创建目录链接。

3、  下载SpiderMonkey做为js引擎库（http://github.com/dwight/vc2010_js/tree/master/src/），并解压到和mongodb文件夹同级的“js”文件夹内。

4、  打开db/db_10.sln，选择相应的平台并且编译，有可能要修改一些语法错误。

5、  安装python和SCons(一种构建工具)。http://www.python.org/download/releases/2.6.4/ http://sourceforge.net/projects/scons/files/scons/1.2.0/scons-1.2.0.win32.exe/download.

6、  在MongoDB文件夹中运行命令行，并且有可能需要运行VS2010设置环境变量的批处理文件vcvars*.bat。

To build:

scons                   // build mongod

scons mongoclient.lib   // build C++ client driver library

scons all               // build all end user components

scons .                 // build all including unit test

服务架设

在Mongod、Mongos等程序的同级目录下创建三个文件夹data_shard1、data_shard2 、data_config作为数据库目录。
1、shard1启动
start mongod --dbpath %cd%/data_shard1 --port 27020
2、shard2启动
start mongod --dbpath %cd%/data_shard2 --port 27021
3、配置服务器启动
start mongod --dbpath %cd%/data_config --port 27022 --configsvr
4、路由服务器启动（使用的默认的端口27017）
start mongos --configdb 127.0.0.1:27022
5、启动mongo，也使用默认端口，连接的是mongos.此时config服务器中有默认的admin数据库。
使用use admin切换成admin数据库
> config = connect("127.0.0.1:27022")
> config = config.getSisterDB("config")
使用db.runCommand({addshard: "127.0.0.1:27020", allowLocal:1, maxSize:100}) 添加shard1
使用db.runCommand({addshard: "127.0.0.1:27021", allowLocal:1, maxSize:100}) 添加shard2
6、创建一个可以被sharding的数据库test。
>test=db.getSisterDB("test")
>db.runCommand({enablesharding:"test"})
一旦设置了某数据库可以被sharding，那么此数据库中的不同数据集就会放在不同的分片上。
7、数据集分块：db.runCommand( { shardcollection : "test.fs.chunks", key:{files_id:1}}) ，此数据集的主shards被设置为了shard1。
8、查看分块状态：db.printShardingStatus()

经过以上步骤，就架设成功了一个MongoDB集群，每个Shards的容量由“maxSize：100”限定为了100M大小，并且test.fs.chunks这个collection里的内容会被自动分片存放。

实例分析

在上面的程序架设好了之后，使用MongoDB工具集中的Mongofiles.exe程序连续地put一个20M的文件。
使用db.fs.chunks.stats()命令查看chunks的分块状态得知mongos优先将文件块放在了shard1上，当shard1的大小超过一定规模后（这个规模又不是maxSize设定的100M）才会将文件块迁移向Shard2。
当chunks这个collection在Shard2上面占用的空间大于100M之后(实际上是108906496字节)，mongos不断提示“[Balancer] no availalable shards to take chunks”，然后我又新建了shard3同样设置为“maxsize：100”并且添加到集群中，这时mongos自动将一些块迁移到shard3中。等到停止迁移后我新增块，新增的块还是先写入shard1并且不断地有chunks迁移到shard3，但是最终shard1的数据大小远大于100M。
另外，db.fs.chunks在shard2的分布情况如下：
     "shard0001" : {
                       "ns" : "test.fs.chunks",
                       "count" : 340,
                       "size" : 88506100,
                       "avgObjSize" : 260312.0588235294,
                       "storageSize" : 108906496,
                       "numExtents" : 11,
                       "nindexes" : 3,
                       "lastExtentSize" : 21645312,
                       "paddingFactor" : 1,
                       "flags" : 1,
                       "totalIndexSize" : 90112,
                       "indexSizes" : {
                               "_id_" : 32768,
                               "files_id_1" : 24576,
                               "files_id_1_n_1" : 32768
                       },
                       "ok" : 1
               }
由状态信息可知，实际储存的文件大小是88.5M，但是占用的储存空间确是108.9M，可能chunks多余的未用部分用来做了对齐操作。


MongoDB的C++ API使用

想要自己编写MongoDB的客户端应用，可以先编译出MongDB的客户端静态库“mongoclient.lib”并且包含在自己的工程中。接着可以使用MongoDB源码中的一些头文件，“client/dbclient.h”，“client/gridfs.h”等。

对于文件分布式存储来说，使用gridfs.h中的GridFS、GridFile、GridFSChunk等类就可以完成简单的本地文件上传、文件下载、文件块读取、内存数据上传，想完成其它更为复杂的操作把文件块当做普通的BSON对象来操作，需要自己实现代码。

例：存储本地文件

DBClientConnection c;

c.connect("localhost");

GridFS fs (c,"test");

BSONObj file =fs.storeFile(filename.c_str(),filename.length(),filename);