本篇笔记根据MongoDB官方文档整理，包含MySQL与MongoDB的优缺点对比、MongoDB核心概念、基本操作以及金融领域的实际案例（使用Python语言）：

一、MySQL vs MongoDB 优缺点对比

MySQL（关系型数据库）
优点：

  1. 成熟稳定： 历经多年发展，可靠性高，适用于传统企业级应用。

  2. 事务支持（ACID）： 支持事务处理，保证数据一致性，适合金融、订单等场景。

  3. SQL支持： 使用标准SQL查询，学习成本低，适合结构化数据处理。

  4. 数据完整性： 支持外键约束、表关联，确保数据关联性。

缺点：

  1. 扩展性有限： 垂直扩展依赖硬件，水平扩展（分库分表）复杂。

  2. 固定模式： 需预定义表结构，难以适应数据模型频繁变更的场景。

  3. 性能瓶颈： 复杂查询或高并发写入时性能下降，尤其在大量JOIN操作时。

MongoDB（文档型数据库）
优点：

  1. 高性能： 基于内存映射和BSON（二进制JSON）存储，读写速度快。

  2. 高可用性： 支持复制集（Replica Set）自动故障转移，确保数据不丢失。

  3. 可伸缩性： 支持分片（Sharding）水平扩展，可分布式存储PB级数据。

  4. 灵活模式： 动态文档结构，无需预定义表结构，适合半结构化或实时变更的数据。

  5. 复杂查询： 支持丰富的查询语法（如聚合管道、索引、地理位置查询）。

缺点：

  1. 事务限制： 早期版本缺乏跨文档事务，4.0+版本支持多文档事务，但性能略低。

  2. 存储开销： 文档嵌套可能导致冗余存储，占用空间较大。

  3. 学习曲线： 非关系型概念需适应，如文档模型设计、分片策略。

总结：

  • MySQL适合事务强一致性、结构化数据、OLTP场景（如银行系统、ERP）。

  • MongoDB适合高并发读写、灵活数据模型、大数据量场景（如实时分析、内容管理）。

二、MongoDB核心概念

  1. 数据库与集合

  • 数据库（Database）： 逻辑命名空间，包含多个集合。

  • 集合（Collection）： 类似“表”，但无需固定结构，可存储不同结构的文档。

  • 文档（Document）： 核心数据单元，类JSON的BSON格式，支持嵌套和数组。

示例（Python创建集合）：

from pymongo import MongoClient
client = MongoClient("mongodb://localhost:27017")
db = client["mydatabase"]
collection = db["mycollection"]

  1. 文档结构

  • 键值对形式，支持嵌套文档和数组。

示例文档：

{
    "name": "Alice",
    "age": 30,
    "address": {
        "city": "New York",
        "zip": "10001"
    },
    "hobbies": ["Coding", "Reading"]
}

  1. 架构

  • 复制集（Replica Set）： 包含主节点（Primary）和多个从节点（Secondary），自动同步数据，故障时选举新主节点。

  • 分片（Sharding）： 将数据分布到多个分片（Shard），解决单节点容量和性能瓶颈。

三、MongoDB基本操作（Python示例）

  1. 连接与认证
    client = MongoClient("mongodb://user:pass@localhost:27017/mydatabase")

  2. CRUD操作
    插入文档：
    doc = {"name": "Bob", "age": 25}
    collection.insert_one(doc)

查询文档：

result = collection.find({"age": {"gt": 20}})
for doc in result:
	print(doc)

更新文档：
collection.update_one({"name": "Bob"}, {"set": {"age": 26}})

删除文档：
collection.delete_many({"age": {"lt": 18}})

聚合操作

pipeline = [
{"match": {"age": {"gt": 20}}},
{"group": {"_id": "city", "avgAge": {"avg": "age"}}}
]
result = collection.aggregate(pipeline)

四、金融领域实际案例：交易数据分析

场景： 实时记录用户交易数据，分析高频交易行为，检测异常交易。

数据模型：

{
    "user_id": "U123",
    "timestamp": ISODate("2026-06-22T10:30:00Z"),
    "amount": 1000,
    "type": "withdraw",
    "currency": "USD",
    "notes": "ATM withdrawal"
}

Python实现：

  1. 插入交易记录：

import datetime
tx_doc = {
    "user_id": "U123",
    "timestamp": datetime.datetime.now(),
    "amount": 500,
    "type": "deposit"
}
collection.insert_one(tx_doc)

  1. 查询用户近7天总交易额：

start_date = datetime.datetime.now() - timedelta(days=7)
query = {"user_id": "U123", "timestamp": {"gte": start_date}}
total_amount = collection.aggregate([
    {"match": query},
    {"group": {"_id": None, "total": {"sum": "amount"}}}
])["total"]

  1. 风险检测：异常高频交易警报

pipeline = [
{"match": {"timestamp": {"gte": start_date}}},
{"group": {"_id": "user_id", "tx_count": {"sum": 1}}},
{"match": {"tx_count": {"$gt": 100}}} # 阈值：单用户7天内超100笔交易
]
high_risk_users = list(collection.aggregate(pipeline))

优势：

  • 实时写入： 支持高并发交易记录插入。

  • 灵活模型： 可扩展字段（如添加geoLocation追踪交易位置）。

  • 聚合分析： 快速统计交易量、检测异常，满足风控需求。

五、总结

MongoDB凭借其灵活模式、高性能和可扩展性，在金融领域适用于实时交易处理、用户画像、风险分析等场景。结合Python的pymongo库，可快速构建高效的数据处理系统。

参考资料：