Data Modeling for MongoDB: Building Well-Designed and Supportable MongoDB Databases

دسته بندی: پایگاه داده ها
ویرایش: First 
نویسندگان: Steve Hoberman  
سری:  
 
ناشر: Technics Publications 
سال نشر: 2014 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : MOBI (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 9 مگابایت 

قیمت کتاب (تومان) : 59,000

تبریک می گویم! شما برنامه MongoDB را در بازه زمانی محدود مشخص شده تکمیل کردید و جشنی برای انتشار برنامه شما برای تولید وجود دارد. اگرچه مردم در این جشن به شما تبریک می گویند، اما شما در درون احساس ناراحتی می کنید. برای تکمیل پروژه به موقع نیاز به فرضیات زیادی در مورد داده ها داشت، از جمله اینکه منظور از چه عباراتی و چگونه محاسبات است. علاوه بر این، اسناد ضعیف در مورد برنامه کاربردی برای تیم پشتیبانی محدود خواهد بود و عدم بررسی همه قوانین ذاتی در داده‌ها ممکن است در نهایت منجر به ساختارهایی با عملکرد ضعیف در آینده نه چندان دور شود.


حالا اگر ماشین زمان داشتید و می توانستید برگردید و این کتاب را بخوانید چه می شد. شما یاد خواهید گرفت که حتی پایگاه داده های NoSQL مانند MongoDB به سطحی از مدل سازی داده نیاز دارند.
مدل‌سازی داده‌ها فرآیند یادگیری در مورد داده‌ها است و صرف نظر از فناوری، این فرآیند باید برای یک برنامه موفق انجام شود. شما ارزش داده‌های مفهومی، منطقی و فیزیکی را یاد خواهید گرفت. مدل سازی و چگونگی هر مرحله دانش ما را از داده ها افزایش می دهد و مفروضات و تصمیمات طراحی ضعیف را کاهش می دهد.


این کتاب را بخوانید تا نحوه مدل‌سازی داده برای برنامه‌های MongoDB را بیاموزید و به این پنج هدف دست یابید:

1. درک کنید که چگونه مدل‌سازی داده‌ها به فرآیند یادگیری در مورد داده‌ها کمک می‌کند، و بنابراین، یک تکنیک مورد نیاز است، حتی زمانی که پایگاه داده حاصل رابطه‌ای نیست. یعنی NoSQL به معنای NoDataModeling نیست!
   
2. بدانید پایگاه‌های داده NoSQL چگونه با پایگاه‌های داده رابطه‌ای سنتی تفاوت دارند و MongoDB کجا قرار می‌گیرد.
   
3. هر شی MongoDB را کاوش کنید و درک کنید که چگونه هر کدام با مدل‌سازی داده‌ها و همتایان پایگاه داده رابطه‌ای سنتی خود مقایسه می‌شوند و اصول اولیه افزودن، پرس‌وجو، به‌روزرسانی و حذف داده‌ها را در MongoDB بیاموزید.
   
4. رویکردی کارآمد و مبتنی بر الگو را برای انجام مدل‌سازی داده‌های مفهومی، منطقی و فیزیکی تمرین کنید. بدانید که مدل سازی داده ها همیشه نباید به مدل های داده سنتی منجر شود!
   
5. رویکردهای توسعه از بالا به پایین را از پایین به بالا متمایز کنید و یک مطالعه موردی از بالا به پایین را تکمیل کنید که تمام تکنیک های مدل سازی را با هم پیوند می دهد.
   

این کتاب برای هر کسی که با MongoDB کار می‌کند یا با MongoDB کار می‌کند نوشته شده است، از جمله تحلیلگران کسب‌وکار، مدل‌سازان داده، مدیران پایگاه داده، توسعه‌دهندگان، مدیران پروژه و دانشمندان داده. سه بخش وجود دارد:

• در بخش اول، شروع به کار، ما قدرت مدل‌سازی داده و اتصالات محکم به مدل‌های داده را که هنگام طراحی هر نوع پایگاه داده وجود دارد، آشکار خواهیم کرد (فصل 1) )، NoSQL را با پایگاه های داده رابطه ای سنتی و جایی که MongoDB متناسب است مقایسه کنید (فصل 2)، هر شی MongoDB را بررسی کنید و درک کنید که چگونه هر کدام با مدل سازی داده ها و همتایان پایگاه داده رابطه ای سنتی خود مقایسه می شود (فصل 3)، و اصول اولیه افزودن، پرس و جو، به روز رسانی را توضیح دهید. و حذف داده ها در MongoDB (فصل 4).
  
• در بخش دوم، سطوح دانه بندی، مدل سازی داده های مفهومی (فصل 5)، مدل سازی داده های منطقی (فصل 6) و مدل سازی داده های فیزیکی (فصل) را پوشش می دهیم. 7). به \"ing\" در پایان هر یک از این فصل ها توجه کنید. ما بر روند ساخت هر یک از این مدل ها تمرکز می کنیم، جایی که دانش کسب و کار ضروری را به دست می آوریم.
  
• در بخش III، مطالعه موردی، ما هر دو رویکرد توسعه از بالا به پایین و پایین به بالا را توضیح می‌دهیم و مطالعه موردی از بالا به پایین را بررسی می‌کنیم که در آن با الزامات تجاری شروع می‌کنیم. و با پایگاه داده MongoDB پایان دهید. این مطالعه موردی تمام تکنیک های هفت فصل قبل را با هم پیوند می دهد.
  

رایان اسمیت، معمار ارشد داده نایک، پیشگفتار را نوشت. نکات کلیدی در پایان هر فصل به عنوان راهی برای تقویت مفاهیم گنجانده شده است. علاوه بر این، این کتاب با تمرین‌های عملی همراه با پاسخ‌های آن‌ها در برنامه A ارائه شده است. برنامه B حاوی تمام مراجع کتاب و برنامه C است.

Congratulations! You completed the MongoDB application within the given tight timeframe and there is a party to celebrate your application's release into production. Although people are congratulating you at the celebration, you are feeling some uneasiness inside. To complete the project on time required making a lot of assumptions about the data, such as what terms meant and how calculations are derived. In addition, the poor documentation about the application will be of limited use to the support team, and not investigating all of the inherent rules in the data may eventually lead to poorly-performing structures in the not-so-distant future.


Now, what if you had a time machine and could go back and read this book. You would learn that even NoSQL databases like MongoDB require some level of data modeling.
Data modeling is the process of learning about the data, and regardless of technology, this process must be performed for a successful application. You would learn the value of conceptual, logical, and physical data modeling and how each stage increases our knowledge of the data and reduces assumptions and poor design decisions.


Read this book to learn how to do data modeling for MongoDB applications, and accomplish these five objectives:

1. Understand how data modeling contributes to the process of learning about the data, and is, therefore, a required technique, even when the resulting database is not relational. That is, NoSQL does not mean NoDataModeling!
   
2. Know how NoSQL databases differ from traditional relational databases, and where MongoDB fits.
   
3. Explore each MongoDB object and comprehend how each compares to their data modeling and traditional relational database counterparts, and learn the basics of adding, querying, updating, and deleting data in MongoDB.
   
4. Practice a streamlined, template-driven approach to performing conceptual, logical, and physical data modeling. Recognize that data modeling does not always have to lead to traditional data models!
   
5. Distinguish top-down from bottom-up development approaches and complete a top-down case study which ties all of the modeling techniques together.
   

This book is written for anyone who is working with, or will be working with MongoDB, including business analysts, data modelers, database administrators, developers, project managers, and data scientists. There are three sections:

• In Section I, Getting Started, we will reveal the power of data modeling and the tight connections to data models that exist when designing any type of database (Chapter 1), compare NoSQL with traditional relational databases and where MongoDB fits (Chapter 2), explore each MongoDB object and comprehend how each compares to their data modeling and traditional relational database counterparts (Chapter 3), and explain the basics of adding, querying, updating, and deleting data in MongoDB (Chapter 4).
  
• In Section II, Levels of Granularity, we cover Conceptual Data Modeling (Chapter 5), Logical Data Modeling (Chapter 6), and Physical Data Modeling (Chapter 7). Notice the "ing" at the end of each of these chapters. We focus on the process of building each of these models, which is where we gain essential business knowledge.
  
• In Section III, Case Study, we will explain both top down and bottom up development approaches and go through a top down case study where we start with business requirements and end with the MongoDB database. This case study will tie together all of the techniques in the previous seven chapters.
  

Nike Senior Data Architect Ryan Smith wrote the foreword. Key points are included at the end of each chapter as a way to reinforce concepts. In addition, this book is loaded with hands-on exercises, along with their answers provided in App A. App B contains all of the book’s references and App C the