最近接到一个业务需求，是基于电影票销售不同渠道的价格存储。对于某一部电影，不同的销售渠道对应着不同的价格。整理要求是：

数据字段：

活动信息；

播放视频信息；

渠道信息及其对应的价格；

通道数可达数十个；

业务查询有两种类型：

根据电影放映数量查看某个频道的价格；

根据通道信息，查询所有对应的事件信息；

造型

坏的

我们先来看看一种典型的**糟糕**的建模设计：

{ 'scheduleId': '0001', '电影': '你的名字', 'price': { 'gewala': 30, 'maoyan': 50, 'taopiao': 20

}

}

数据表达基本没有字段冗余，非常紧凑。我们看一下业务查询能力：

根据电影放映数量查看某个频道的价格；

建立createIndex({scheduleId:1, movie:1})索引。虽然没有针对价格进行索引创建优化，但通过前两个维度可以定位到唯一文档，查询效率尚可；

根据通道信息，查询所有对应的事件信息；

createIndex({'price.gewala':1})

createIndex({'price.maoyan':1})

createIndex({'price.taopiao':1})

为了优化这种查询，需要对每个通道单独建立索引，例如：

但通道频繁变化，为了支持这样的查询，可能需要创建几十个索引，这对于维护来说简直就是噩梦；

这个设计行不通，被拒绝了。

马马虎虎的设计

{ 'scheduleId': '0001', '电影': '你的名字', '频道': 'gewala', '价格': 30}

{ 'scheduleId': '0001', '电影': '你的名字', '频道': '猫眼', '价格': 50}

{ 'scheduleId': '0001', '电影': '你的名字', '频道': '淘票票', '价格': 20}

与上述方案相比，整个存储对象结构被扁平化，变成了表结构。大多数传统关系数据库都采用这种解决方案。在信息表达上，将一个对象按照通道维度拆分为多个对象，其他字段进行冗余存储。如果业务需求比较复杂，由此带来的信息冗余膨胀将会是巨大的。扩展的副作用包括磁盘空间使用增加、内存命中率降低等缺点。查询处理怎么样：

根据电影放映数量查看某个频道的价格；

创建createIndex（{scheduleId:1，movie:1，channel:1}）索引；

根据通道信息，查询所有对应的事件信息；

创建createIndex({channel:1})索引；

进一步优化如何？

设计合理

{ 'scheduleId': '0001', '电影': '你的名字', '提供商': [

{ '频道': '格瓦拉', '价格': 30

},

{ '频道': '猫眼', '价格': 50

},

{ '渠道': '淘票票', '价格': 20

}

]

}

注意，这里使用了MongoDB 建模中容易被忽视的一个结构——“数组”。对于查询处理，可以建立多键索引。详细信息请参考官方文档。

]阐明

根据电影放映数量查看某个频道的价格；

创建createIndex({scheduleId:1, movie:1, 'provider.channel':1}) 索引；

根据通道信息，查询所有对应的事件信息；

创建createIndex({'provider.channel':1})索引；

然后使用explain验证上面两个索引是否有效：

db.movie.find({'scheduleId':'0001','电影':'你的名字','provider.channel':'taopiao'}).explain()……

'winingPlan': { 'stage': 'FETCH', 'inputStage': { 'stage': 'IXSCAN', 'keyPattern': { 'scheduleId': 1, '电影': 1, 'provider.channel': 1

}, 'indexName': 'scheduleId_1_movie_1_provider.channel_1', 'isMultiKey': true,

db.movie.find({'provider.channel':'taopiao'}).explain()……

'winingPlan': { 'stage': 'FETCH', 'inputStage': { 'stage': 'IXSCAN', 'keyPattern': { 'provider.channel': 1

}, 'indexName': 'provider.channel_1', 'isMultiKey': true,

用户评论

景忧丶枫涩帘淞幕雨

这个MongoDB数据建模的小案例真的很实用，我之前一直觉得多列数据结构挺复杂的，现在一看原来可以这样操作。

    有18位网友表示赞同！

眷恋

多列数据结构确实方便，但是维护起来有点头疼，希望这个案例能帮我解决一些问题。

    有12位网友表示赞同！

太难

案例里的多列数据结构处理方式挺巧妙的，学到了！

    有15位网友表示赞同！

刺心爱人i

看了这个案例，我觉得MongoDB的数据建模其实并没有想象中那么难。

    有14位网友表示赞同！

摩天轮的依恋

案例中的数据建模方法挺有创意的，但是我个人还是更喜欢关系型数据库。

    有15位网友表示赞同！

你瞒我瞒

多列数据结构在MongoDB里真是个好东西，特别是处理复杂查询时。

    有15位网友表示赞同！

傲世九天

这个案例让我对MongoDB的多列数据结构有了更深入的理解。

    有18位网友表示赞同！

七级床震

案例中的多列数据结构有点复杂，我需要多看几遍才能完全消化。

    有11位网友表示赞同！

一别经年

对于新手来说，这个MongoDB数据建模小案例可能有点难度，但是值得一试。

    有13位网友表示赞同！

蹂躏少女

案例中的多列数据结构处理方式很实用，但我感觉对于大数据量来说可能会有性能瓶颈。

    有17位网友表示赞同！

纯情小火鸡

这个案例让我对MongoDB的数据建模有了新的认识，谢谢分享！

    有18位网友表示赞同！

关于道别

多列数据结构在MongoDB中确实很有用，但是有时候也会造成数据冗余。

    有9位网友表示赞同！

一生只盼一人

案例中的数据建模方法挺不错的，但是我觉得对于一些特定场景可能需要调整。

    有5位网友表示赞同！

孤城暮雨

看了这个MongoDB数据建模案例，我觉得多列数据结构确实可以解决很多问题。

    有10位网友表示赞同！

早不爱了

这个案例让我对MongoDB的数据建模有了新的启发，以后工作中会尝试使用。

    有18位网友表示赞同！

像从了良

多列数据结构在MongoDB中应用广泛，这个案例给了我很实用的指导。

    有10位网友表示赞同！

蔚蓝的天空〃没有我的翅膀

案例中的多列数据结构处理方法很实用，但是我希望作者能进一步解释一下性能优化的问题。

    有17位网友表示赞同！

醉婉笙歌

这个MongoDB数据建模小案例让我对多列数据结构有了全新的认识，太感谢了！

    有18位网友表示赞同！