Desnormalización en Bases de Datos Documentales: Optimización Avanzada

Contenido del curso

Introducción

Proyecto

Validación de datos

Relaciones

Bonus: patrones

Próximos pasos

22
Modelado de Datos con MongoDB: Relaciones y Consultas Avanzadas
02:03 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:009:15

Desnormalización en Bases de Datos Documentales: Optimización Avanzada

Curso de Modelado de Datos en MongoDB

Clase 19 de 22

Clase 19 / 22

Recursos

¿Qué es la desnormalización en bases de datos documentales?

La desnormalización es un concepto clave en la optimización de bases de datos documentales, especialmente si vienes de un entorno de bases de datos relacionales como Postgres o MySQL. A diferencia de la normalización de datos, que busca evitar la redundancia, la desnormalización agrega datos redundantes para mejorar el rendimiento. Este proceso, aunque va contra las prácticas tradicionales de evitar la duplicidad en bases de datos relacionales, es un aliado en contextos donde las consultas rápidas y eficientes son necesarias.

¿Cómo aplicar la desnormalización en un e-commerce?

En el ejemplo de un e-commerce que maneja órdenes de compra, ya se tiene un sub-arreglo de ítems con todos los productos. En lugar de solo referenciar los productos por su ID, podemos desnormalizar nuestra base de datos repitiendo valores clave directamente en las órdenes de compra.

Vector de ítems: Se crea un array llamado items donde se incluye la cantidad de producto, el título y el precio. Aunque estos datos ya existen en la colección de productos, su duplicación evita la necesidad de consultas adicionales para obtenerlos.
Referencia adicional: Aunque hay datos redundantes, se mantiene una referencia hacia el producto original para obtener más información si es necesario.

Esta estrategia permite optimizar procesos como la generación de facturas, ya que la información requerida está fácilmente accesible sin realizar múltiples consultas.

Ventajas de la desnormalización

Optimización de consultas: Al tener datos redundantes, se reducen las consultas necesitando menos operaciones para obtener información sobre productos específicos.
Información histórica: Guarda el precio y detalle del producto al momento de la compra, lo que es útil si posteriormente los precios cambian por inflación u otros factores.

Implementación práctica en código

Altamente útil en el contexto de un servidor o web service:

// Ejemplo de implementación de desnormalización en una orden de compra
const order = {
  items: [
    {
      productId: "12345",
      title: "Product 1",
      price: 12,
      quantity: 2
    },
    {
      productId: "67890",
      title: "Product 2",
      price: 45,
      quantity: 1
    }
  ],
  userId: "user123"
};

En este código, se incluye la información esencial del producto en la orden, evitando consultas para generar una factura completa o visualizar el historial de compras.

¿Cómo afectará la desnormalización a la estructura de tu base de datos?

Al implementar la desnormalización, tu rol se centra en administrar coherentemente el modelo de datos. No se trata solo de insertar valores a mano, sino de automatizar el proceso a través de aplicaciones o servicios web que procesen y almacenen datos eficientemente con las reglas de negocio adecuadas.

Puedes verificar y visualizar documentos en tu base de datos usando técnicas como find en entornos de MongoDB:

db.orders.find({ _id: "orderId" });

Esta consulta muestra cómo quedó estructurada la orden, permitiéndote verificar que la desnormalización se ha implementado correctamente. Además, aumenta la eficiencia al evitar un aggregate para buscar información que ya está disponible.

Con este enfoque, se logra un equilibrio entre la eficiencia de consultas y la integridad de datos, lo cual es crucial para el éxito en la gestión de datos en un entorno de bases de datos documentales. Aprovecha lo aprendido para seguir explorando patrones avanzados como el "computed pattern" que también mejorará la funcionalidad de tus aplicaciones. ¡La práctica constante perfeccionará tu dominio en la administración de bases de datos documentales!

Juan Pablo Meza Gazabón

Hace 3 años

Desnormalización La desnormalización en MongoDB es un proceso mediante el cual se optimiza la consulta de datos al duplicar y almacenar datos redundantes en una colección o documento. Este enfoque se utiliza para mejorar el rendimiento de consultas a expensas de la consistencia y eficiencia en el almacenamiento.

Cuando normalizamos datos, los dividimos en múltiples colecciones o documentos relacionados para minimizar la redundancia y mejorar la consistencia. Sin embargo, esta estructura normalizada puede requerir unión de datos de múltiples colecciones para realizar consultas complejas, lo cual puede afectar el rendimiento.

¿Cuándo usar la desnormalización?

La desnormalización en MongoDB puede ser beneficiosa en ciertos escenarios, especialmente cuando se trata de optimizar el rendimiento de consultas frecuentes. Sin embargo, como mencionaste, también puede llevar a problemas de consistencia de datos. Aquí te muestro algunos escenarios en los que se debería y no se debería utilizar la desnormalización, junto con las razones:

Cuándo se debería usar la desnormalización:

Escenarios de solo lectura o lectura predominantemente: Si tus consultas son principalmente de lectura y rara vez se actualizan los datos, la desnormalización puede ser apropiada. Esto se debe a que la desnormalización optimiza las consultas de lectura, pero puede generar complicaciones al actualizar los datos.

Consultas frecuentes que implican múltiples colecciones: Si tienes consultas que requieren unir datos de múltiples colecciones y estas consultas son frecuentes, desnormalizar los datos puede mejorar significativamente el rendimiento al evitar operaciones de unión complejas.

Tamaño limitado de datos y baja volatilidad: Si los conjuntos de datos son relativamente pequeños y la volatilidad de los datos es baja, la desnormalización puede ser menos problemática. En estos casos, la redundancia de datos no supondría un gran problema y los beneficios en el rendimiento serían más evidentes.

Cuándo no se debería usar la desnormalización:

Escenarios de alta volatilidad de datos: Si los datos se actualizan o modifican con frecuencia, la desnormalización puede llevar a inconsistencias y errores si no se actualizan correctamente todos los documentos redundantes. La normalización es más segura en estos casos, ya que evita la redundancia de datos y garantiza la consistencia.
Escenarios de transacciones complejas: Si tus operaciones requieren transacciones complejas que afectan a múltiples documentos relacionados, la desnormalización puede complicar la gestión de estas transacciones y aumentar el riesgo de inconsistencia de datos.
Escalabilidad y necesidades futuras: Si anticipas un crecimiento significativo en el tamaño y la complejidad de tus datos en el futuro, la desnormalización puede dificultar la escalabilidad y el mantenimiento a largo plazo. La normalización proporciona una estructura más flexible que puede adaptarse mejor a futuras necesidades.

Javier Adelmo

Hace 3 años

Buen aporte.

Introducción

Modelado de datos en MongoDB desde cero

Modelado de Datos en MongoDB: Uso de JSON y Diagrama Entidad-Relación

Metodología de modelado de datos en MongoDB

Proyecto

Creación de Clúster y Bases de Datos en Mongo Atlas

Modelado de Workloads en Bases de Datos con MongoDB

Configuración de Entorno y Conexión a MongoDB con VSCode

Validación de datos

Validación de strings con JSON Schema en MongoDB

Validación de números, booleanos y enums en MongoDB

Validar arrays y subdocumentos en MongoDB

Validar contraseñas en MongoDB con regex

Validación de Datos en MongoDB: JSON Schema y Actualizaciones

Relaciones

Relaciones en Bases de Datos NoSQL: Embebidas y Referenciales

Relaciones uno a uno embebidas en MongoDB

Relaciones uno a uno con $lookup en MongoDB

Relaciones Uno a Muchos: Embebidas y Referenciadas en Bases de Datos

Relaciones Uno a Muchos con Referencias en Bases de Datos

Relaciones Muchos a Muchos en Bases de Datos: Tiendas y Productos

Relaciones Muchos a Muchos en Bases de Datos Documentales

Bonus: patrones

Desnormalización en Bases de Datos Documentales: Optimización Avanzada

Computed pattern en MongoDB para totales

Balance entre Simplicidad y Rendimiento en MongoDB

Próximos pasos

Modelado de Datos con MongoDB: Relaciones y Consultas Avanzadas

Desnormalización en Bases de Datos Documentales: Optimización Avanzada

Progreso del curso

Introducción

Proyecto

Validación de datos

Relaciones

Bonus: patrones

Próximos pasos

Recursos

Recursos