Puntuación:
El libro 'Data Modeling for MongoDB' de Steve Hoberman proporciona una introducción a los conceptos de modelado de datos y su aplicación en entornos NoSQL, específicamente MongoDB. Ha recibido críticas mixtas, elogiando sus explicaciones claras y el marco para el modelado, mientras que critica su falta de profundidad en el contenido específico de MongoDB y problemas con la legibilidad.
Ventajas:⬤ Bien escrito y fácil de entender, hace que los temas complejos sean accesibles.
⬤ Bueno tanto para principiantes como para modeladores de datos experimentados en transición desde bases de datos relacionales.
⬤ Ofrece un marco y un enfoque paso a paso del modelado de datos.
⬤ Aclara la importancia del modelado de datos en contextos NoSQL.
⬤ Incluye numerosos ejemplos y plantillas que mejoran la comprensión.
⬤ Útil para salvar las distancias entre modeladores y desarrolladores.
⬤ Carece de profundos conocimientos técnicos sobre MongoDB, y a menudo se asemeja al modelado relacional.
⬤ Algunos encuentran el contenido repetitivo y con mucho texto, sin suficiente modelado visual.
⬤ Mala legibilidad debido al bajo contraste en diagramas y tablas.
⬤ Algunos lectores expresan su decepción por la escasez de ejemplos de código y aplicaciones prácticas.
⬤ El libro no cubre algunas funcionalidades básicas de MongoDB, como la importación/exportación de datos.
(basado en 19 opiniones de lectores)
Data Modeling for MongoDB: Building Well-Designed and Supportable MongoDB Databases
Domina cómo modelar datos de aplicaciones MongoDB.
Felicidades Has completado la aplicación MongoDB dentro del ajustado plazo dado y hay una fiesta para celebrar la puesta en producción de tu aplicación. Aunque la gente te está felicitando en la celebración, sientes cierta inquietud en tu interior. Completar el proyecto a tiempo requería hacer muchas suposiciones sobre los datos, como qué significan los términos y cómo se derivan los cálculos. Además, la escasa documentación sobre la aplicación será de escasa utilidad para el equipo de soporte, y no investigar todas las reglas inherentes a los datos puede acabar dando lugar a estructuras de bajo rendimiento en un futuro no muy lejano.
Ahora, ¿qué pasaría si tuvieras una máquina del tiempo y pudieras volver atrás y leer este libro? Aprenderías que incluso las bases de datos NoSQL como MongoDB requieren cierto nivel de modelado de datos. El modelado de datos es el proceso de aprender sobre los datos, e independientemente de la tecnología, este proceso debe realizarse para que una aplicación tenga éxito. Aprenderás el valor del modelado de datos conceptual, lógico y físico y cómo cada etapa aumenta nuestro conocimiento de los datos y reduce las suposiciones y las malas decisiones de diseño.
Lea este libro para aprender a hacer modelado de datos para aplicaciones MongoDB, y lograr estos cinco objetivos:
⬤ Entender cómo el modelado de datos contribuye al proceso de aprendizaje sobre los datos, y es, por tanto, una técnica necesaria, incluso cuando la base de datos resultante no es relacional. Es decir, NoSQL no significa NoDataModeling.
⬤ Saber en qué se diferencian las bases de datos NoSQL de las bases de datos relacionales tradicionales, y dónde encaja MongoDB.
⬤ Explorar cada objeto MongoDB y comprender cómo cada uno se compara con su modelado de datos y bases de datos relacionales tradicionales, y aprender los conceptos básicos de la adición, consulta, actualización y eliminación de datos en MongoDB.
⬤ Practicar un enfoque racionalizado y basado en plantillas para realizar el modelado de datos conceptual, lógico y físico. Reconocer que el modelado de datos no siempre tiene que conducir a modelos de datos tradicionales.
⬤ Distinguir los enfoques de desarrollo de arriba hacia abajo de los de abajo hacia arriba y completar un estudio de caso de arriba hacia abajo que vincule todas las técnicas de modelado.
© Book1 Group - todos los derechos reservados.
El contenido de este sitio no se puede copiar o usar, ni en parte ni en su totalidad, sin el permiso escrito del propietario.
Última modificación: 2024.11.14 07:32 (GMT)