MongoDB 走马观花(全面解读篇)

﹏ヽ暗。殇╰゛Y 2023-06-11 03:26 1阅读 0赞

# MongoDB 走马观花(全面解读篇) #

Java高级互联网架构 2019-10-15 16:04:11

*  一、简介
 *  二、基本模型
 *  BSON 数据类型
 *  分布式ID
 *  三、操作语法
 *  四、索引
 *  索引特性
 *  索引分类
 *  索引评估、调优
 *  五、集群
 *  分片机制
 *  副本集
 *  六、事务与一致性
 *  一致性
 *  小结

**一、简介**

MongoDB 是一款流行的开源文档型数据库，从它的命名来看，确实是有一定野心的。

MongoDB 的原名一开始**来自于 英文单词"Humongous", 中文含义是指"庞大"**，即命名者的意图是可以处理大规模的数据。

但笔者更喜欢称呼它为 "芒果"数据库，除了译音更加相近之外，原因还来自于这几年使用 MongoDB 的两层感觉：

*  第一层感受是"爽"，使用这个文档数据库的特点是几乎不受什么限制，一方面Json文档式的结构更容易理解，而无Schema约束也让DDL管理更加简单，一切都可以很快速的进行。
 *  第二层感受是"酸爽"，这点相信干运维或是支撑性工作的兄弟感受会比较深刻，MongoDB 由于入门体验"太过于友好"，导致一些团队认为用好这个数据库是个很简单的事情，所以开发兄弟在存量系统上埋一些坑也是正常的事情。
 *  所谓交付一时爽，维护火葬场.. 当然了，这句话可能有些过。 但这里的潜台词是：与传统的RDBMS数据库一样，MongoDB 在使用上也需要认真的考量和看护，不然的化，会遇到更多的坑。

那么，尽管文档数据库在选型上会让一些团队望而却步，仍然不阻碍该数据库所获得的一些支持，比如 DB-Engine 上的排名：

![MongoDB 走马观花(全面解读篇)][MongoDB]

图-DBEngine排名

在全部的排名中，MongoDB 长期排在第5位(文档数据库排名第1位)，同时也是最受欢迎的 NoSQL 数据库。

另外，MongoDB 的社区一直比较活跃，加上商业上的驱动(MongoDB于2017年在纳斯达克上市)，这些因素都推动了该开源数据库的发展。

MongoDB 数据库的一些特性：

*  面向文档存储，基于JSON/BSON 可表示灵活的数据结构
 *  动态 DDL能力，没有强Schema约束，支持快速迭代
 *  高性能计算，提供基于内存的快速数据查询
 *  容易扩展，利用数据分片可以支持海量数据存储
 *  丰富的功能集，支持二级索引、强大的聚合管道功能，为开发者量身定做的功能，如数据自动老化、固定集合等等。
 *  跨平台版本、支持多语言SDK..

假定你是初次了解 MongoDB，下面的内容将能帮助你对该数据库技术的全貌产生一定的了解。

**二、基本模型**

数据结构对于一个软件来说是至关重要的，MongoDB 在概念模型上参考了 SQL数据库，但并非完全相同。

> 关于这点，也有人说，MongoDB 是 NoSQL中最像SQL的数据库..

如下表所示：

![MongoDB 走马观花(全面解读篇)][MongoDB 1]

*  database 数据库，与SQL的数据库(database)概念相同，一个数据库包含多个集合(表)
 *  collection 集合，相当于SQL中的表(table)，一个集合可以存放多个文档(行)。 不同之处就在于集合的结构(schema)是动态的，不需要预先声明一个严格的表结构。更重要的是，默认情况下 MongoDB 并不会对写入的数据做任何schema的校验。
 *  document 文档，相当于SQL中的行(row)，一个文档由多个字段(列)组成，并采用bson(json)格式表示。
 *  field 字段，相当于SQL中的列(column)，相比普通column的差别在于field的类型可以更加灵活，比如支持嵌套的文档、数组。
 *  此外，MongoDB中字段的类型是固定的、区分大小写、并且文档中的字段也是有序的。

另外，SQL 还有一些其他的概念，对应关系如下：

![MongoDB 走马观花(全面解读篇)][MongoDB 2]

*  \_id 主键，MongoDB 默认使用一个\_id 字段来保证文档的唯一性。
 *  reference 引用，勉强可以对应于 外键(foreign key) 的概念，之所以是勉强是因为 reference 并没有实现任何外键的约束，而只是由客户端(driver)自动进行关联查询、转换的一个特殊类型。
 *  view 视图，MongoDB 3.4 开始支持视图，和 SQL 的视图没有什么差异，视图是基于表/集合之上进行动态查询的一层对象，可以是虚拟的，也可以是物理的(物化视图)。
 *  index 索引，与SQL 的索引相同。
 *  $lookup，这是一个聚合操作符，可以用于实现类似 SQL-join 连接的功能
 *  transaction 事务，从 MongoDB 4.0 版本开始，提供了对于事务的支持
 *  aggregation 聚合，MongoDB 提供了强大的聚合计算框架，group by 是其中的一类聚合操作。

**BSON 数据类型**

MongoDB 文档可以使用 Javascript 对象表示，从格式上讲，是基于 JSON 的。

一个典型的文档如下：

{
     "_id": 1,
     "name" : { "first" : "John", "last" : "Backus" },
     "contribs" : [ "Fortran", "ALGOL", "Backus-Naur Form", "FP" ],
     "awards" : [
     {
     "award" : "W.W. McDowell Award",
     "year" : 1967,
     "by" : "IEEE Computer Society"
     }, {
     "award" : "Draper Prize",
     "year" : 1993,
     "by" : "National Academy of Engineering"
     }
     ]
    }

曾经，JSON 的出现及流行让 Web 2.0 的数据传输变得非常简单，所以使用 JSON 语法是非常容易让开发者接受的。

但是 JSON 也有自己的短板，比如无法支持像日期这样的特定数据类型，因此 MongoDB 实际上使用的是一种扩展式的JSON，叫 BSON(Binary JSON)。

BSON 所支持的数据类型包括：

![MongoDB 走马观花(全面解读篇)][MongoDB 3]

图-BSON类型

**分布式ID**

在单机时代，大多数应用可以使用数据库自增式ID 来作为主键。 传统的 RDBMS 也都支持这种方式，比如 mysql 可以通过声明 auto\_increment来实现自增的主键。 但一旦数据实现了分布式存储，这种方式就不再适用了，原因就在于无法保证多个节点上的主键不出现重复。

为了实现分布式数据ID的唯一性保证，应用开发者提出了自己的方案，而大多数方案中都会将ID分段生成，如著名的 snowflake 算法中就同时使用了时间戳、机器号、进程号以及随机数来保证唯一性。

MongoDB 采用 ObjectId 来表示主键的类型，数据库中每个文档都拥有一个\_id 字段表示主键。

\_id 的生成规则如下：

![MongoDB 走马观花(全面解读篇)][MongoDB 4]

图-ObjecteID

其中包括：

*  4-byte Unix 时间戳
 *  3-byte 机器 ID
 *  2-byte 进程 ID
 *  3-byte 计数器(初始化随机)

值得一提的是 \_id 的生成实质上是由客户端(Driver)生成的，这样可以获得更好的随机性，同时降低服务端的负载。

当然服务端也会检测写入的文档是否包含\_id 字段，如果没有就生成一个。

**三、操作语法**

除了文档模型本身，对于数据的操作命令也是基于JSON/BSON 格式的语法。

比如插入文档的操作：

db.book.insert(
    {
     title: "My first blog post",
     published: new Date(),
     tags: [ "NoSQL", "MongoDB" ],
     type: "Work",
     author : "James",
     viewCount: 25,
     commentCount: 2
    }
    )

执行文档查找：

db.book.find({author : "James"})

更新文档的命令：

db.book.update(
     {"_id" : ObjectId("5c61301c15338f68639e6802")},
     {"$inc": {"viewCount": 3} }
    )

删除文档的命令：

db.book.remove({"_id":
     ObjectId("5c612b2f15338f68639e67d5")})

在传统的SQL语法中，可以限定返回的字段，MongoDB可以使用Projection来表示：

db.book.find({"author": "James"}, 
     {"_id": 1, "title": 1, "author": 1})

实现简单的分页查询：

db.book.find({})
     .sort({"viewCount" : -1})
     .skip(10).limit(5)

这种基于BSON/JSON 的语法格式并不复杂，它的表达能力或许要比SQL更加强大。

与 MongoDB 做法类似的还有 ElasticSearch，后者是搜索数据库的佼佼者。

那么，一个有趣的问题是 MongoDB 能不能用 SQL进行查询？

当然是可以！

但需要注意这些功能并不是 MongoDB 原生自带的，而需要借由第三方工具平台实现：

*  客户端使用SQL，可以使用 mongobooster、studio3t 这样的工具
 *  服务端的话，可以看看 presto 之类的一些平台..

**四、索引**

无疑，索引是一个数据库的关键能力，MongoDB 支持非常丰富的索引类型。

利用这些索引，可以实现快速的数据查找，而索引的类型和特性则是针对不同的应用场景设计的。

索引的技术实现依赖于底层的存储引擎，在当前的版本中 MongoDB 使用 wiredTiger 作为默认的引擎。

在索引的实现上使用了 B+树的结构，这与其他的传统数据库并没有什么不同。

所以这是个好消息，**大部分基于SQL数据库的一些索引调优技巧在 MongoDB 上仍然是可行的**。

![MongoDB 走马观花(全面解读篇)][MongoDB 5]

图-B+树

使用 ensureIndexes 可以为集合声明一个普通的索引：

db.book.ensureIndex({author: 1})

> author后面的数字 1 代表升序，如果是降序则是 -1

实现复合式(compound)的索引，如下：

db.book.ensureIndex({type: 1, published: 1})

> 只有对于复合式索引时，索引键的顺序才变得有意义

如果索引的字段是数组类型，该索引就自动成为数组(multikey)索引：

db.book.ensureIndex({tags: 1})

> MongoDB 可以在复合索引上包含数组的字段，但最多只能包含一个

**索引特性**

在声明索引时，还可以通过一些参数化选项来为索引赋予一定的特性，包括：

*  unique=true，表示一个唯一性索引
 *  expireAfterSeconds=3600，表示这是一个TTL索引，并且数据将在1小时后老化
 *  sparse=true，表示稀疏的索引，仅索引非空(non-null)字段的文档
 *  partialFilterExpression: \{ rating: \{ $gt: 5 \}，条件式索引，即满足计算条件的文档才进行索引

**索引分类**

除了普通索引之外，MongoDB 支持的类型还包括：

*  哈希(HASH)索引，哈希是另一种快速检索的数据结构，MongoDB 的 HASH 类型分片键会使用哈希索引。
 *  地理空间索引，用于支持快速的地理空间查询，如寻找附近1公里的商家。
 *  文本索引，用于支持快速的全文检索
 *  模糊索引(Wildcard Index)，一种基于匹配规则的灵活式索引，在4.2版本开始引入。

**索引评估、调优**

使用 explain() 命令可以用于查询计划分析，进一步评估索引的效果。

如下：

> db.test.explain().find( { a : 5 } )
    {
     "queryPlanner" : {
     ...
     "winningPlan" : {
     "stage" : "FETCH",
     "inputStage" : {
     "stage" : "IXSCAN",
     "keyPattern" : {
     "a" : 5
     },
     "indexName" : "a_1",
     "isMultiKey" : false,
     "direction" : "forward",
     "indexBounds" : {"a" : ["[5.0, 5.0]"]}
     }
     }},
     ...
    }

从结果 winningPlan 中可以看出执行计划是否高效，比如：

*  未能命中索引的结果，会显示COLLSCAN
 *  命中索引的结果，使用IXSCAN
 *  出现了内存排序，显示为 SORT

关于 explain 的结果说明，可以进一步参考文档：

https://docs.mongodb.com/manual/reference/explain-results/index.html

**五、集群**

在大数据领域常常提到的4V特征中，Volume(数据量大)是首当其冲被提及的。

由于单机垂直扩展能力的局限，水平扩展的方式则显得更加的靠谱。 MongoDB 自带了这种能力，可以将数据存储到多个机器上以提供更大的容量和负载能力。

此外，同时为了保证数据的高可用，MongoDB 采用副本集的方式来实现数据复制。

一个典型的MongoDB集群架构会同时采用分片+副本集的方式，如下图：

![MongoDB 走马观花(全面解读篇)][MongoDB 6]

图-MongoDB 分片集群(Shard Cluster)

**架构说明**

*  数据分片（Shards）
 *  分片用于存储真正的集群数据，可以是一个单独的 Mongod实例，也可以是一个副本集。 生产环境下Shard一般是一个 Replica Set，以防止该数据片的单点故障。
 *  对于分片集合(sharded collection)来说，每个分片上都存储了集合的一部分数据(按照分片键切分)，如果集合没有分片，那么该集合的数据都存储在数据库的 Primary Shard中。
 *  配置服务器（Config Servers）
 *  保存集群的元数据（metadata），包含各个Shard的路由规则，配置服务器由一个副本集(ReplicaSet)组成。
 *  查询路由（Query Routers）
 *  Mongos是 Sharded Cluster 的访问入口，其本身并不持久化数据 。Mongos启动后，会从 Config Server 加载元数据，开始提供服务，并将用户的请求正确路由到对应的Shard。
 *  Sharding 集群可以部署多个 Mongos 以分担客户端请求的压力。

**分片机制**

下面的几个细节，对于理解和应用 MongoDB 的分片机制比较重要，所以有必要提及一下：

**1. 数据如何切分**

首先，基于分片切分后的数据块称为 chunk，一个分片后的集合会包含多个 chunk，每个 chunk 位于哪个分片(Shard) 则记录在 Config Server(配置服务器)上。

Mongos 在操作分片集合时，会自动根据分片键找到对应的 chunk，并向该 chunk 所在的分片发起操作请求。

**数据是根据分片策略来进行切分的，而分片策略则由 分片键(ShardKey)+分片算法(ShardStrategy)组成。**

MongoDB 支持两种分片算法：

*  范围分片

![MongoDB 走马观花(全面解读篇)][MongoDB 7]

如上图所示，假设集合根据x字段来分片，x的取值范围为\[minKey, maxKey\]（x为整型，这里的minKey、maxKey为整型的最小值和最大值），将整个取值范围划分为多个chunk，每个chunk（默认配置为64MB）包含其中一小段的数据：

如Chunk1包含x的取值在\[minKey, -75)的所有文档，而Chunk2包含x取值在\[-75, 25)之间的所有文档...

范围分片能很好的满足**范围查询**的需求，比如想查询x的值在\[-30, 10\]之间的所有文档，这时 Mongos 直接能将请求路由到 Chunk2，就能查询出所有符合条件的文档。 范围分片的缺点在于，如果 ShardKey 有明显递增（或者递减）趋势，则新插入的文档多会分布到同一个chunk，无法扩展写的能力，比如使用\_id作为 ShardKey，而MongoDB自动生成的id高位是时间戳，是持续递增的。

*  哈希分片

![MongoDB 走马观花(全面解读篇)][MongoDB 8]

Hash分片是根据用户的 ShardKey 先计算出hash值（64bit整型），再根据hash值按照**范围分片**的策略将文档分布到不同的 chunk。

由于 hash值的计算是随机的，因此 Hash 分片具有很好的离散性，可以将数据随机分发到不同的 chunk 上。 Hash 分片可以充分的扩展写能力，弥补了范围分片的不足，但不能高效的服务范围查询，所有的范围查询要查询多个 chunk 才能找出满足条件的文档。

**2. 如何保证均衡**

如前面的说明中，数据是分布在不同的 chunk上的，而 chunk 则会分配到不同的分片上，那么如何保证分片上的 数据(chunk) 是均衡的呢？

在真实的场景中，会存在下面两种情况：

*  A. 全预分配，chunk 的数量和 shard 都是预先定义好的，比如 10个shard，存储1000个chunk，那么每个shard 分别拥有100个chunk。
 *  此时集群已经是均衡的状态(这里假定)
 *  B. 非预分配，这种情况则比较复杂，一般当一个 chunk 太大时会产生分裂(split)，不断分裂的结果会导致不均衡；或者动态扩容增加分片时，也会出现不均衡的状态。 这种不均衡的状态由集群均衡器进行检测，一旦发现了不均衡则执行 chunk数据的搬迁达到均衡。

MongoDB 的数据均衡器运行于 Primary Config Server(配置服务器的主节点)上，而该节点也同时会控制 Chunk 数据的搬迁流程。

![MongoDB 走马观花(全面解读篇)][MongoDB 9]

图-数据自动均衡

对于数据的不均衡是根据两个分片上的 Chunk 个数差异来判定的，阈值对应表如下：

![MongoDB 走马观花(全面解读篇)][MongoDB 10]

MongoDB 的数据迁移对集群性能存在一定影响，这点无法避免，目前的规避手段只能是将均衡窗口对齐到业务闲时段。

**3. 应用高可用**

应用节点可以通过同时连接多个 Mongos 来实现高可用，如下：

![MongoDB 走马观花(全面解读篇)][MongoDB 11]

图- mongos 高可用

当然，连接高可用的功能是由 Driver 实现的。

**副本集**

副本集又是另一个话题，实质上除了前面架构图所体现的，副本集可以作为 Shard Cluster 中的一个Shard(片)之外，对于规模较小的业务来说，也可以使用一个单副本集的方式进行部署。

MongoDB 的副本集采取了一主多从的结构，即一个Primary Node + N\* Secondary Node的方式，数据从主节点写入，并复制到多个备节点。

典型的架构如下：

![MongoDB 走马观花(全面解读篇)][MongoDB 12]

利用副本集，我们可以实现：：

*  数据库高可用，主节点宕机后，由备节点自动选举成为新的主节点；
 *  读写分离，读请求可以分流到备节点，减轻主节点的单点压力。

请注意，读写分离只能增加集群"读"的能力，对于写负载非常高的情况却无能为力。

对此需求，使用分片集群并增加分片，或者提升数据库节点的磁盘IO、CPU能力可以取得一定效果。

**选举**

MongoDB 副本集通过 Raft 算法来完成主节点的选举，这个环节在初始化的时候会自动完成，如下面的命令：

config = {
     _id : "my_replica_set",
     members : [
     {_id : 0, host : "rs1.example.net:27017"},
     {_id : 1, host : "rs2.example.net:27017"},
     {_id : 2, host : "rs3.example.net:27017"},
     ]
    }
    rs.initiate(config)

initiate 命令用于实现副本集的初始化，在选举完成后，通过 isMaster()命令就可以看到选举的结果：

> db.isMaster()
    {
     "hosts" : [
     "192.168.100.1:27030",
     "192.168.100.2:27030",
     "192.168.100.3:27030"
     ],
     "setName" : "myReplSet",
     "setVersion" : 1,
     "ismaster" : true,
     "secondary" : false,
     "primary" : "192.168.100.1:27030",
     "me" : "192.168.100.1:27030",
     "electionId" : ObjectId("7fffffff0000000000000001"),
     "ok" : 1
    }

受 Raft算法的影响，主节点的选举需要满足"大多数"原则，可以参考下表：

![MongoDB 走马观花(全面解读篇)][MongoDB 13]

因此，为了避免出现平票的情况，副本集的部署一般采用是基数个节点，比如3个，正所谓三人行必有我师..

**心跳**

在高可用的实现机制中，心跳(heartbeat)是非常关键的，判断一个节点是否宕机就取决于这个节点的心跳是否还是正常的。

副本集中的每个节点上都会定时向其他节点发送心跳，以此来感知其他节点的变化，比如是否失效、或者角色发生了变化。

利用心跳，MongoDB 副本集实现了自动故障转移的功能，如下图：

![MongoDB 走马观花(全面解读篇)][MongoDB 14]

默认情况下，节点会每2秒向其他节点发出心跳，这其中包括了主节点。 如果备节点在10秒内没有收到主节点的响应就会主动发起选举。

此时新一轮选举开始，新的主节点会产生并接管原来主节点的业务。 整个过程对于上层是透明的，应用并不需要感知，因为 Mongos 会自动发现这些变化。

如果应用仅仅使用了单个副本集，那么就会由 Driver 层来自动完成处理。

**复制**

主节点和备节点的数据是通过日志(oplog)复制来实现的，这很类似于 mysql 的 binlog。

在每一个副本集的节点中，都会存在一个名为local.oplog.rs的特殊集合。 当 Primary 上的写操作完成后，会向该集合中写入一条oplog，

而 Secondary 则持续从 Primary 拉取新的 oplog 并在本地进行回放以达到同步的目的。

下面，看看一条 oplog 的具体形式：

{
    "ts" : Timestamp(1446011584, 2),
    "h" : NumberLong("1687359108795812092"),
    "v" : 2,
    "op" : "i",
    "ns" : "test.nosql",
    "o" : { "_id" : ObjectId("563062c0b085733f34ab4129"), "name" : "mongodb", "score" : "100" }
    }

其中的一些关键字段有：

*  ts 操作的 optime，该字段不仅仅包含了操作的时间戳(timestamp)，还包含一个自增的计数器值。
 *  h 操作的全局唯一表示
 *  v oplog 的版本信息
 *  op 操作类型，比如 i=insert,u=update..
 *  ns 操作集合，形式为 database.collection
 *  o 指具体的操作内容，对于一个 insert 操作，则包含了整个文档的内容

MongoDB 对于 oplog 的设计是比较仔细的，比如：

*  oplog 必须保证有序，通过 optime 来保证。
 *  oplog 必须包含能够进行数据回放的完整信息。
 *  oplog 必须是幂等的，即多次回放同一条日志产生的结果相同。
 *  oplog 集合是固定大小的，为了避免对空间占用太大，旧的 oplog 记录会被滚动式的清理。

有兴趣的读者，可以参考官方文档：

https://docs.mongodb.com/manual/core/replica-set-oplog/index.html

**六、事务与一致性**

一直以来，"不支持事务" 是 MongoDB 一直被诟病的问题，当然也可以说这是 NoSQL 数据库的一种权衡(放弃事务，追求高性能、高可扩展)

但实质上，MongoDB 很早就有事务的概念，但是这个事务只能是针对单文档的，即单个文档的操作是有原子性保证的。

在4.0 版本之后，MongoDB 开始支持多文档的事务：

*  4.0 版本支持副本集范围的多文档事务。
 *  4.2 版本支持跨分片的多文档事务(基于两阶段提交)。

在事务的隔离性上，MongoDB 支持快照(snapshot)的隔离级别，可以避免脏读、不可重复读和幻读。

尽管有了真正意义上的事务功能，但多文档事务对于性能有一定的影响，应用应该在充分评估后再做选用。

**一致性**

一致性是一个复杂的话题，而一致性更多从应用角度上提出的，比如：

向系统写入一条数据，应该能够马上读到写入的这个数据。

在分布式架构的CAP理论以及许多延续的观点中提到，由于网络分区的存在，要求系统在一致性和可用性之间做出选择，而不能两者兼得。

![MongoDB 走马观花(全面解读篇)][MongoDB 15]

图 -CAP理论

在 MongoDB 中，这个选择是可以由开发者来定的。 MongoDB 允许客户端为其操作设定一定的级别或者偏好，包括：

*  read preference
 *  读取偏好，可指定读主节点、读备节点，或者是优先读主、优先读备、取最近的节点
 *  write concern
 *  写关注，指定写入结果达到什么状态时才返回，可以为无应答(none)、应答(ack)，或者是大多数节点完成了数据复制等等
 *  read concern
 *  读关注，指定读取的数据版本处于怎样的状态，可以为读本地、读大多数节点写入，或者是线性读(linearizable)等等。

使用不同的设定将会产生对于C(一致性)、A(可用性)的不同的抉择，比如：

*  将读偏好设置为 primary，此时读写都在主节点上。 这保证了数据的一致性，但一旦主节点宕机会导致失败(可用性降低)
 *  将读偏好设置为 secondaryPrefered，此时写主，优先读备，可用性提高了，但数据存在延迟(出现不一致)
 *  将读写关注都设置为 majority(大多数)，一致性提升了，但可用性也同时降低了(节点失效会导致大多数写失败)

关于这种权衡的讨论会一直存在，而 MongoDB 除了提供多样化的选择之外，其主要是通过复制、基于心跳的自动failover等机制来降低系统发生故障时产生的影响，从而提升整体的可用性。

**小结**

本文主要揭示了 MongoDB 多个方面的细节，同时在使用体验上也借助 SQL 的概念做了一些对比。

从笔者的角度看，MongoDB 的发展性是很强的，其灵活快速的开发模式、天生自带分布式等能力弥补了传统型SQL数据库的缺陷。当然，目前的 NewSQL 本质上也貌似在以"模仿的方式"弥补这些缺陷。

希望本文的内容对你能有些参考。

> 作者： 美码师(zale)
> 
> 出处： http://www.cnblogs.com/littleatp/, 如果喜欢我的文章

[MongoDB]: /images/20230531/981bc5ac8cab40e9a9beb1caddba3b21.png
[MongoDB 1]: /images/20230531/1c983433b20848f6b6c8831512f7799d.png
[MongoDB 2]: /images/20230531/91b08fd3f2984ddc890cbe61bc5e5741.png
[MongoDB 3]: /images/20230531/cc60fd403a0242c293c3a20603f149ee.png
[MongoDB 4]: /images/20230531/855b7ab4ec1d4e50a0510e6409e7617e.png
[MongoDB 5]: /images/20230531/9e42f09e136e426f9816f3e66fedec55.png
[MongoDB 6]: /images/20230531/f8b32bbc5b4449ed9d2d764d5bbeead5.png
[MongoDB 7]: /images/20230531/902293db9e764f18ac6322dcbca3010d.png
[MongoDB 8]: /images/20230531/93fe819d8b1a4704aa39578b12a47f9a.png
[MongoDB 9]: /images/20230531/05b033ea6ae543ceae07899c3c6de68b.png
[MongoDB 10]: /images/20230531/cae1840676c44ad7b95f7f73c614b0bc.png
[MongoDB 11]: /images/20230531/42e6de513ba54d358b1c78ae3a23c492.png
[MongoDB 12]: /images/20230531/e140cb6ab35f4efea4bc089df738ce35.png
[MongoDB 13]: /images/20230531/c1067c96037040b987dd5ab07afd87ff.png
[MongoDB 14]: /images/20230531/aa7819baf07d49909a77e904343d5b01.png
[MongoDB 15]: /images/20230531/717ea4aa55fc4b7e9479ba178bd97cda.png