在 MongoDB（NoSQL）中，文档（Document）、集合（Collection）等概念与 关系型数据库（RDBMS） 的表、行等概念有一定的对应关系。可以用下面的表格来对比它们的概念：
| MongoDB（NoSQL） | 关系型数据库（RDBMS） | 解释 |
|---|---|---|
| 数据库（Database） | 数据库（Database） | 一个存储数据的整体，包含多个集合（表） |
| 集合（Collection） | 表（Table） | 由多个文档组成的集合，类似于表，但无固定模式（Schema-less） |
| 文档（Document） | 行（Row） | 单条数据，存储为 BSON（类似 JSON），在 RDBMS 中是行 |
| 字段（Field） | 列（Column） | 文档中的键值对（Key-Value），类似于关系数据库中的列 |
| 索引（Index） | 索引（Index） | 提高查询速度，类似于 RDBMS 的索引 |
| 嵌套文档（Embedded Document） | 表关联（Join） | 在文档中嵌套子文档，相当于 RDBMS 中的外键表，但不需要 Join |
主键 _id（ObjectId） |
主键（Primary Key） | _id 字段是默认的唯一标识，类似于关系型数据库中的主键 |
| 引用（Reference） | 外键（Foreign Key） | 在一个文档中存储另一个文档的 _id，类似于外键关系 |
举例说明
关系型数据库（MySQL）
假设有两个表：users（用户表） 和 orders（订单表），它们通过 user_id 关联：
users 表
| id (PK) | name | |
|---|---|---|
| 1 | Tom | [email protected] |
| 2 | Jerry | [email protected] |
orders 表
| id (PK) | user_id (FK) | product |
|---|---|---|
| 101 | 1 | Laptop |
| 102 | 2 | Smartphone |
在查询某个用户的订单时，我们通常使用 JOIN：
SELECT users.name, orders.product
FROM users
JOIN orders ON users.id = orders.user_id;
在 MongoDB 中
MongoDB 使用 文档 代替行，嵌套文档 代替外键关系：
嵌套文档方式
{
"_id": ObjectId("6501a23b1a2b3c4d5e6f7890"),
"name": "Tom",
"email": "[email protected]",
"orders": [
{
"order_id": 101, "product": "Laptop" },
{
"order_id": 102, "product": "Smartphone" }
]
}
查询某个用户的订单非常方便：
db.users.find({
name: "Tom" });
优点：
- 查询时不需要
JOIN，速度更快。 - 数据读取方便，直接获取用户及其订单信息。
缺点：
- 适用于数据更新较少的情况，如果订单信息需要频繁修改，嵌套文档可能会导致冗余数据。
引用（Reference）方式
如果订单较多，可以存储 user_id 进行引用：
{
"_id": ObjectId("6501a23b1a2b3c4d5e6f7890"),
"name": "Tom",
"email": "[email protected]"
}
{
"_id": ObjectId("7601b45c2d3e4f5g6h7i8901"),
"user_id": ObjectId("6501a23b1a2b3c4d5e6f7890"),
"product": "Laptop"
}
查询时类似 SQL 需要 $lookup：
db.users.aggregate([
{
$lookup: {
from: "orders",
localField: "_id",
foreignField: "user_id",
as: "orders"
}
}
]);
适用场景：
- 适用于 订单数据量很大，但用户信息不会频繁更新的情况。
总结
| 场景 | MongoDB 方案 | 关系型数据库 方案 |
|---|---|---|
| 小型数据、少量关系 | 嵌套文档 | 一张表或简单关联 |
| 数据较大、查询性能重要 | 嵌套文档或索引引用 | 索引优化的 JOIN |
| 数据分布广泛、需要灵活查询 | 引用 + $lookup | 标准外键表设计 |
MongoDB 的 嵌套文档 让读取速度更快，但 引用方式 更适合大规模数据。