为何MongoDB数据压缩后文件大小没有变化？

请问MongoDB和mysql哪个更好用?

若应用涉及非结构化数据、快速扩展或灵活查询，且对最终一致性可接受，MongoDB是更优选择。若应用依赖结构化数据、强一致性事务和复杂联接查询，且预算有限，MySQL更合适。实际项目中，也可根据需求混合使用（如用MySQL处理核心交易，MongoDB存储日志或用户行为数据）。

结论：MongoDB 和 MySQL 均为成熟的数据库系统，但设计目标不同。MongoDB 更适合非结构化数据、高扩展性和实时性需求，而 MySQL 更擅长结构化数据、事务处理和强一致性要求。实际应用中，可根据业务需求（如数据类型、查询复杂度、扩展性要求）选择单一数据库或混合使用。

小到中型数据集在数据量小于100GB时，MySQL的单表查询性能通常优于MongoDB，尤其是简单查询（如按ID检索）。其垂直扩展（提升单机硬件配置）在中小规模场景下成本更低。成熟生态与工具链MySQL拥有丰富的周边工具（如Navicat、Percona Toolkit）和社区支持，优化经验（如索引调优、查询重写）更易获取。

MongoDB与MySQL在性能上各有优劣，具体表现为查询性能MongoDB更优、写入性能MySQL更优、可扩展性MongoDB更强、成本MySQL更具优势。以下从查询性能、写入性能、可扩展性、成本四个维度展开分析：查询性能MongoDB在查询密集型应用中表现更优。

想要读懂大数据,你不得不先掌握这些核心技术

1、大数据技术的体系庞大且复杂，基础的技术包含数据的采集、数据预处理、分布式存储、数据库、数据仓库、机器学习、并行计算、可视化等。

2、学习大数据需要掌握的技术取决于工作方向，但核心技能可归类为以下方面： 数据采集与处理核心目标：从多种来源高效获取并清洗数据，确保数据质量。关键技术：数据源接入：关系型数据库（如MySQL、PostgreSQL）、NoSQL数据库（如MongoDB、Cassandra）、API接口、日志文件、传感器数据等。

3、并行计算：利用多核处理器或分布式计算资源加速数据处理任务。数据可视化：将复杂数据以图形、图像等形式直观展示，便于理解和分析。综上所述，大数据专业学习需要掌握多种编程语言和核心技术，同时还需要了解数据采集、预处理、存储、查询分析、可视化等基础技术范畴。

4、学习大数据需要掌握以下关键技术：Java编程：Java是大数据开发的核心技术，因其跨平台和强类型特性，被广泛应用于多种应用开发，是大数据工程师首选的工具。Linux基础命令：Linux操作系统是大数据开发的首选平台，其开放性、灵活性与性能在大数据领域占绝对优势。因此，学习Linux基础命令是大数据开发的必备技能。

5、学习大数据核心技术需从编程基础入手，逐步掌握分布式计算框架、数据库技术、数据可视化与机器学习，结合实践与职业规划选择方向，稳扎稳打深入学习。 具体学习路径与核心技能如下：编程基础：Python或Java与数据结构算法编程是大数据技术的基石，需优先掌握Python或Java中的至少一门语言。

10亿数据用什么数据库存储最好,读写秒级

处理10亿级数据且要求读写秒级的数据库，推荐根据场景选择HBase、MongoDB、Elasticsearch或Cassandra等分布式数据库，具体需结合数据特性、一致性要求及团队技术栈综合评估。以下是详细分析： HBase：强一致性+高扩展性HBase基于HDFS构建，采用LSM-Tree存储结构，支持PB级数据存储。

VoltDB在10亿级流数据交互查询中实现了高效实时写入与秒级响应查询，显著优于传统MySQL方案，适用于高吞吐、低延迟的流数据处理场景。 具体应用实践如下：流式数据交互查询场景需求百分点每日产生10亿条记录，需满足以下要求：实时写入：数据需立即写入数据库，支持推荐调优、数据验证等场景。

在上亿级数据中实现秒级查询，可通过优化存储架构、引入智能算法、预处理数据等方式实现，天融信数据库审计系统通过列式存储、自学习引擎、预统计表等技术方案解决了这一难题。列式存储引擎提升基础查询性能传统行式存储在查询时需读取整行数据，而列式存储按列独立存储数据，仅加载目标列即可完成计算。

Clickhouse的优势： 查询效率高：Clickhouse号称支持10亿数据毫秒级查询，理论上可处理20万亿行数据，1秒内返回结果，大幅优化查询性能。 数据压缩率高：采用列式存储方式，有效节省硬盘资源。 支持集群化：天生支持集群化，包括分区和分片设计，与按天分表策略相匹配，能够存储更大的数据量级。

应用场景：AntDB广泛应用于通信、金融、交通、能源、物联网等行业，为这些行业提供了高效、可靠的数据存储和处理能力。成功案例：AntDB数据库始于2008年，在运营商的核心系统上，为全国24个省份的10亿多用户提供在线服务。

文本文件在MongoDB中的存储大小

原始文件信息：测试使用的CSV文件包含13，515，366行、22列，文件大小为6GB。MongoDB存储开销：ObjectID列：MongoDB会自动为每条文档添加_id字段（默认类型为ObjectID），占用空间为12字节/条。总开销计算为：13，515，367条 × 12字节 ÷ （1024×1024） ≈ 1567MB。

MongoDB的数据主要存储在分片集群中，采用分布式存储架构，具体存储形式包括副本集、集合与文档，存储层由WiredTiger存储引擎、Journal日志和内存映射机制共同支撑。

MongoDB GridFS的使用主要是用于存储和检索大于16MB的文件。以下是关于MongoDB GridFS使用的详细解GridFS的基本概念：GridFS是MongoDB提供的一种文件存储规范，用于处理大于BSON文档大小限制的文件。它通过将大文件分割为多个片段，允许在指定的数据库中存储和检索这些文件。

MongoDB的内存需求没有固定值，需根据使用场景、存储引擎及管理规模综合评估，常见场景下建议内存范围为15GB至系统可用内存的60%。具体分析如下：不同组件的内存要求Ops Manager应用程序作为MongoDB的管理工具，每台部署Ops Manager的主机需至少15GB RAM。

MongoDB GridFS是一种专门用于处理大于16MB的BSON文档大小限制的文件存储规范。通过将大文件分割为多个片段，GridFS允许在指定的数据库中存储和检索文件。在默认情况下，GridFS会在数据库中生成两个集合：fs.files 和 fs.chunks。

MongoDB通常用于存储JSON格式的文档，这些文档大小一般较小。然而，对于需要存储大文件的情况，MongoDB提供了GridFS规范。GridFS通过将大文件分割为多个小块（默认大小为255KB），并将每个小块作为独立的文档存储在MongoDB的集合中，从而实现了对大文件的存储。

mongodb数据存储在哪

1、MongoDB的数据主要存储在分片集群中，采用分布式存储架构，具体存储形式包括副本集、集合与文档，存储层由WiredTiger存储引擎、Journal日志和内存映射机制共同支撑。

2、MongoDB 数据库文件位于 MongoDB 数据目录中，默认情况下为 /data/db。以下是详细说明：默认存储路径及文件类型MongoDB 将数据库文件存储在指定的数据目录中，默认路径为 /data/db。该目录包含以下核心文件类型：.bson 文件：存储文档数据，每个集合对应一个独立的 .bson 文件。

3、MongoDB：存储文档（如JSON格式），支持嵌套结构，可自由定义字段，适合存储复杂、非标准化的数据。MySQL：数据存储在表中，表由行和列组成，需预先定义模式（Schema），包括字段类型和约束条件，结构严格。查询语言 MongoDB：使用JavaScript对象查询（JSON），语法直观，支持动态查询和嵌套对象操作。

面经:MongoDB底层的知识梳理

1、数据持久性：检查点机制：定期将内存数据写入磁盘，形成一致的数据视图。即使MongoDB在写入新检查点时终止，也可从上一个有效检查点恢复。Journal日志：与检查点结合使用，记录检查点之间的所有数据修改。若MongoDB在检查点之间退出，可通过Journal日志恢复数据。

2、MongoDB更新后如何同步Redis考察点：数据同步机制实现。回答建议：方案1：MongoDB触发器 + 消息队列通知Redis更新。方案2：应用层双写（更新MongoDB后立即操作Redis）。注意事项：需处理同步失败场景（如重试机制或日志记录）。 知识库是如何构建的？考察点：系统设计能力（可能涉及AI或自动化工具）。

3、MongoDB：适合文档型数据、水平扩展场景（如日志分析），通过分片集群（Sharding）实现海量数据存储，但牺牲部分事务一致性。选型需结合业务需求（如读写比例、数据模型复杂度）及团队技术栈。