Типы NoSQL баз

Обзор

4 основных типа + специфичные:

• Key-Value — ключ → значение.
• Document — JSON-документы.
• Column-family — колонки и строчные группы.
• Graph — узлы и связи.
• Time-series — временные ряды.
• Search — полнотекстовый поиск.
• Vector — вектора (AI).

Каждый для своей задачи.

Key-Value

Модель:

key → value
'user:5:name' → 'Алиса'
'session:abc' → '{"userId": 5}'

Что даёт:

• Максимальная скорость.
• Простота.
• Легко шардируется.

Что нет:

• Запросы по значению.
• Сложные структуры.
• JOIN.
• Транзакции (обычно).

Примеры:

• Redis — in-memory, со структурами (list, hash, set).
• Memcached — чистый KV, только в RAM.
• DynamoDB — managed AWS.
• etcd, Consul — service discovery.

Когда:

• Кэш.
• Сессии.
• Конфиги.
• Rate limiting.
• Очереди.

Document

Модель:

{
  "_id": "507f1f77bcf86cd799439011",
  "email": "a@b.com",
  "name": "Алиса",
  "orders": [
    { "id": 1, "total": 100 },
    { "id": 2, "total": 200 }
  ],
  "metadata": { "theme": "dark" }
}

Что даёт:

• Вложенность — заказ с позициями в одном документе.
• Гибкая схема.
• Запросы по полям, массивам, вложенным документам.
• Индексы.

Что нет:

• JOIN (есть $lookup, но не как SQL).
• Транзакции — в MongoDB 4.0+, но дорогие.
• Нормализация — не цель.

Примеры:

• MongoDB — самый популярный.
• CouchDB — с MVCC.
• Firebase Firestore — managed Google.
• Amazon DocumentDB — managed AWS.
• RavenDB — .NET.

Когда:

• Гибкая схема.
• Вложенные данные.
• Быстрый старт.
• CMS, каталоги, профили.

Column-family (Wide-column)

Модель:

row_key → { column_family_1, column_family_2, ... }

user:5 → {
  profile: { name: 'Алиса', email: 'a@b.com' },
  activity: { last_login: '2026-10-15', posts: 42 }
}

Что даёт:

• Огромные объёмы (петабайты).
• Multi-datacenter из коробки.
• Высокая доступность.
• Быстрая запись.

Что нет:

• Сложные запросы.
• JOIN.
• ACID (обычно).
• Гибкая схема на уровне колонок.

Примеры:

• Cassandra — Apache.
• ScyllaDB — C++ реинжиниринг Cassandra.
• HBase — на Hadoop.
• Google Bigtable.

Когда:

• Метрики, логи.
• IoT.
• Time-series.
• Огромные объёмы на запись.

Graph

Модель:

(Алиса) —[дружит]→ (Боб)
(Боб) —[купил]→ (iPhone)
(Алиса) —[купила]→ (iPhone)

Что даёт:

• Естественное хранение связей.
• Быстрые обходы графа.
• Гибкая схема узлов и связей.
• Мощный язык запросов (Cypher).

Что нет:

• Огромные объёмы (обычно).
• Простые KV-задачи.

Примеры:

• Neo4j — самый популярный.
• ArangoDB — multi-model.
• JanusGraph — на Cassandra/HBase.
• Amazon Neptune — managed.

Когда:

• Соцсети.
• Рекомендации.
• Графы знаний.
• Fraud detection.
• Маршруты.

Time-series

Модель:

metric_name, timestamp, tags, value
temperature, 2026-10-15T10:00, {city: 'MSK'}, 22.5

Что даёт:

• Оптимизация под временные данные.
• Сжатие.
• Retention из коробки.
• Агрегации по окнам.

Примеры:

• InfluxDB — самый популярный.
• TimescaleDB — расширение PostgreSQL.
• Prometheus — для метрик.
• VictoriaMetrics — быстрый.

Когда:

• Метрики серверов.
• IoT-датчики.
• Финансовые тики.
• Логи.

Search

Модель:

• Инвертированный индекс — слово → документы.
• Анализаторы — токенизация, стемминг.
• Релевантность — score.

Примеры:

• Elasticsearch — стандарт.
• OpenSearch — форк от AWS.
• Meilisearch — простой, быстрый.
• Typesense — быстрый, простой.
• Algolia — managed.

Когда:

• Полнотекстовый поиск.
• Логи (ELK stack).
• Аналитика по тексту.
• Автодополнение.

Vector

Модель:

id: 5
embedding: [0.1, -0.2, 0.3, ...]   # 1536 чисел
metadata: { source: 'doc.pdf', page: 3 }

Что даёт:

• Поиск по семантической близости.
• Для AI / RAG.
• ANN-индексы (HNSW, IVF).

Примеры:

• Pinecone — managed.
• Qdrant — self-hosted.
• Milvus — масштабируемый.
• Weaviate — со схемой.
• pgvector — расширение PostgreSQL.

Когда:

• RAG для LLM.
• Semantic search.
• Рекомендации.
• Кластеризация.

Multi-model

Одна БД — несколько моделей:

• ArangoDB — document + graph + KV.
• Redis — KV + document (JSON) + time-series + streams.
• PostgreSQL — relational + JSONB + vector + full-text.
• Couchbase — document + KV + search.

Что даёт: одна инфраструктура для нескольких задач.

Правило: специализированные БД лучше, но multi-model проще.

Сравнение

Как выбрать

По задаче:

• Кэш → Redis.
• Гибкий документ → MongoDB.
• Метрики → Prometheus / InfluxDB.
• Граф → Neo4j.
• Поиск → Elasticsearch / Meilisearch.
• AI → pgvector / Qdrant / Pinecone.
• Огромные объёмы записи → Cassandra / ScyllaDB.

По опыту команды:

• Знают PostgreSQL → pgvector, JSONB, full-text сначала.
• Знают MongoDB → она и для документов, и для KV (ограниченно).

Правило: не плодить БД без причины.

Частые ошибки

1. Один тип для всего:

MongoDB для финансов

Решение: каждая задача — своя БД.

2. MongoDB как SQL:

Нормализация, JOIN-ы через lookup

Решение: документная модель — вложенные данные.

3. Cassandra для сложных запросов:

Гибкость запросов ограничена

Решение: проектировать под запросы заранее.

4. Elasticsearch как primary:

Не ACID, потеря данных

Решение: только вторичная БД.

5. Redis как БД:

In-memory, ограничен размер RAM

Решение: персистентность + понимание, что при OOM — потеря.

6. Vector вместо search:

Точный поиск по слову не работает

Решение: hybrid (vector + search).

7. Забыли про CAP:

Ждём ACID от AP-системы

Решение: понимать trade-offs.

Практика

1. Для каждой задачи в вашем проекте выберите подходящий тип БД.

2. Попробуйте MongoDB для документной задачи.

3. Попробуйте Redis для кэша.

4. Попробуйте Neo4j для графа (даже маленького).

5. Настройте Elasticsearch / Meilisearch для поиска.

6. Используйте pgvector для vector-search, если уже есть PostgreSQL.

Итог

• 7 типов: KV, document, column, graph, time-series, search, vector.
• Каждый для своей задачи.
• Multi-model — компромисс.
• Polyglot persistence — разные БД.
• Начинать с одной БД.
• Не плодить без причины.

Дальше — MongoDB: введение.