Temos centenas de milhares de documentos de texto que precisam ser armazenados em um banco de dados. Cada documento tem um número variável de seções numeradas: de umas poucas até uma centena (casos raros). Cada seção pode ter até algumas centenas de palavras.
Resolvemos utilizar o mongodb por sua característica de ser schemaless combinar bastante com a natureza dos nossos dados.
Inicialmente a ideia era modelar da seguinte forma: cada documento no mongodb seria um documento de texto e cada seção do texto seria uma chave-valor deste documento do mongodb:
{
"_id": ...,
"secao_1": "conteúdo do texto da seção 1. bla bla bla...",
"secao_2": "conteúdo do texto da seção 2. ddfsa fd safs fdas fds...",
...
"secao_n": "conteúdo do texto da seção 3. ds t hjdggf ghgf hgd..."
}
Todavia, ao estudar índices, vimos que o Text poderia ser útil para nós e neste momento surgiu a dúvida se realmente a modelagem acima seria a mais adequada ou se seria melhor armazenar todas as seções dentro de um array. Algo assim:
{
"_id": ...,
"secoes": ["bla bla bla...", "ddfsa fd safs fdas fds...", ..., "ds t hjdggf ghgf hgd..."]
}
Esta dúvida surgiu porque a solução de criar índices para cada seção: i) levaria a termos índices em seções existentes em poucos documentos (no caso extremo, em apenas algumas dezenas) e ii) cada vez que fossemos inserir um novo documento seria necessário verificar se esta seção já existe, senão, seria preciso também criar um índice para ela.
Já com o array seria necessário criar apenas um índice. Algo muito mais elegante. Mas isto traria ganhos de performance ou seria um índice tão grande que perderia sentido em existir?
Complemento:
- A tendência é que os acessos de leitura acabem sempre percorrendo todas as seções de um documento, visto que precisaremos saber todas as seções em que o dado foi encontrado.
- A leitura será muito mais importante e frequente do que a inserção/atualização.