واکاوی مهاجرت از مانگودی‌بی به پستگرس برای ذخیره داده‌های JSON

‍ اگر هنوز برای مدیریت اسناد و JSONهای خود از MongoDB استفاده می‌کنید، شاید وقت آن رسیده کمی عمیق‌تر به این موضوع نگاه کنیم.

اخیراً Gabriele Ferreri در لینکدین پستی منتشر کرده و توضیح داده است که چگونه جایگزینی MongoDB با PostgreSQL و استفاده از JSONB توانسته نیاز او به چند دیتابیس را حذف کند و حتی هزینه‌های زیرساخت را تا ۴۰٪ کاهش دهد. به دلیل اهمیت این موضوع، بیایید با هم نگاهی به نکات اصلی این تجربه بیندازیم.
https://www.linkedin.com/posts/gabriele-ferreri_postgresql-database-backenddev-share-7431970713886146560-uQLL

 مشکل رایج تیم‌ها

بسیاری از تیم‌ها این ساختار را دارند:

داده‌های رابطه‌ای ← PostgreSQL
users, orders, payments← اسکیمای سخت‌گیرانه

داده‌های انعطاف‌پذیر ← MongoDB
preferences, configs, metadata → document store

نتیجه: دو دیتابیس، دو connection pool، دو استراتژی بکاپ، دو مسیر خطا…
و مهم‌تر از همه، پیچیدگی عملیاتی بالا: مانیتورینگ جدا، migration جدا، تخصص‌های جدا، و لحظه‌ای که مجبور می‌شوید join بین دو سیستم انجام دهید.

 راهکار JSONB در PostgreSQL

با JSONB دیگر نیازی به دو دیتابیس ندارید.
می‌توانید داده‌های انعطاف‌پذیر و داده‌های حیاتی را در یک دیتابیس مدیریت کنید.

مثال ساده:

CREATE TABLE users (
id uuid PRIMARY KEY,
email text NOT NULL,
prefs jsonb DEFAULT ‘{}’
);
CREATE INDEX idx_prefs ON users
USING GIN (prefs jsonb_path_ops);

SELECT * FROM users
WHERE prefs @> ‘{“theme”: “dark”}’;

الگوی پیشنهادی:

• ستون‌های سخت‌گیرانه برای داده‌های حیاتی (auth، billing، identity) یعنی داده های اصلی در قالب ستون های یک جدول ذخیره شوند.
• قالب JSONB برای داده‌های متغیر (preferences، configها، feature flagها)

یک دیتابیس. یک بکاپ. یک مدل ذهنی ساده.

 عملکرد

Ferreri گزارش می‌دهد که کوئری‌های JSONB با GIN index روی میلیون‌ها ردیف، در ۳–۸ میلی‌ثانیه پاسخ می‌دهند — تقریباً همانند lookupهای MongoDB.
نسخه ۱۸ PostgreSQL با jsonb_path_ops برای جستجوی containment بهینه شده و فضای کمتری نسبت به حالت پیش‌فرض مصرف می‌کند.

 محدودیت‌ها

در موارد زیر بهتر است از مانگودی بی استفاده کنیم :

• بارهای کاری با نوشتن زیاد روی JSONBهای عمیق (Postgres کل سند را بازنویسی می‌کند)
• اسناد بزرگ (بیش از ~۵۰۰KB) که BSON chunking Mongo کمک می‌کند
• تیم‌هایی که کاملاً در اکوسیستم Mongo با Change Stream و aggregation pipelines هستند