mongodb-guide

MongoDB Guide

Workflow

1. Analyser les patterns d'accès

Avant tout schéma, lister les requêtes réelles : quelles entités sont lues ensemble ? À quelle fréquence ? Ratio lecture/écriture ?

Critères de décision embed vs reference :

Critère	Embed	Reference
Données toujours lues ensemble	✅	❌
Taille du tableau bornée (<100 éléments)	✅	❌
Données partagées entre plusieurs parents	❌	✅
Mise à jour fréquente de sous-documents	❌	✅
Document proche de 16 Mo	❌	✅

2. Concevoir le schéma

Patterns courants :

• Subset : n'embarquer que les N derniers éléments (ex. 10 derniers avis)
• Computed : stocker un agrégat précalculé (total, moyenne) mis à jour à l'écriture
• Bucket : regrouper des séries temporelles par période (ex. mesures IoT par heure)
• Extended Reference : dupliquer les champs les plus lus du document référencé
• Outlier : gérer les documents « hors-norme » via un flag + collection overflow

Exemple schéma Computed (compteur dénormalisé) :

// À l'écriture d'un avis :
db.products.updateOne(
  { _id: productId },
  {
    $push: { latestReviews: { $each: [review], $slice: -10 } },
    $inc: { reviewCount: 1, ratingSum: review.rating }
  }
)
// reviewCount et ratingSum toujours à jour, aucun $lookup nécessaire

3. Construire les aggregation pipelines

Règles d'ordre obligatoires :

1. $match le plus tôt possible (utilise les index)
2. $project / $unset pour réduire la taille des documents en transit
3. $sort + $limit avant $lookup pour limiter les jointures

db.orders.aggregate([
  { $match: { status: "shipped", createdAt: { $gte: ISODate("2026-01-01") } } },
  { $project: { customerId: 1, totalAmount: 1, _id: 0 } },
  { $group: { _id: "$customerId", totalSpent: { $sum: "$totalAmount" } } },
  { $sort: { totalSpent: -1 } },
  { $limit: 20 },
  { $lookup: {
      from: "customers",
      localField: "_id",
      foreignField: "_id",
      as: "customer",
      pipeline: [{ $project: { name: 1, email: 1 } }]
  }},
  { $unwind: "$customer" }
])