몽고DB 8.0 인 액션

옮긴이 머리말 xv
머리말 xvii
이 책에 대하여 xix
감사의 글 xxiii
표지에 대하여 xxv

PART I 최신 웹 애플리케이션을 위한 데이터베이스CHAPTER 1 몽고DB의 세계 이해하기 4
1.1 도큐먼트 지향 데이터 모델 검토 5
1.2 데이터 수평 확장 8
1.3 몽고DB 생태계 탐색 10
1.4 TCMalloc 버전 향상 13
1.5 몽고DB 쿼리 API 살펴보기 13
요약 14

CHAPTER 2 아틀라스와 몽고DB 데이터로 시작하기 16
2.1 아틀라스 CLI를 사용하여 첫 번째 아틀라스 클러스터 설정하기 17
2.2 샘플 데이터셋 적재하기 22
2.3 프로젝트 접근 목록에 IP 주소 추가하기 23
2.4 사용자 생성하기 24
2.5 몽고DB 셸을 통한 몽고DB 연결 설정 24
2.6 데이터베이스, 컬렉션, 도큐먼트로 데이터 관리하기 26
요약 37

CHAPTER 3 몽고DB와 통신하기 39
3.1 몽고DB Wire Protocol을 통한 상호작용 40
3.2 mongosh 살펴보기 41
3.3 몽고DB Compass 사용해보기 49
3.4 몽고DB 드라이버를 사용하여 연결하기 52
3.5 Node.js 드라이버를 사용하여 연결하기 52
3.6 파이썬 드라이버 활용해보기 56
3.7 루비 드라이버 통합 61
3.8 Mongoid 학습 62
요약 64

CHAPTER 4 CRUD 작업 실행하기 65
4.1 CRUD 작업을 위한 mongosh 연결 66
4.2 도큐먼트 삽입 66
4.3 도큐먼트 갱신 69
4.4 배열 갱신 73
4.5 도큐먼트 교체 79
4.6 도큐먼트 조회 80
4.7 정규 표현식 검색 수행하기 87
4.8 배열 쿼리 89
4.9 임베디드/중첩된 도큐먼트 쿼리하기 92
4.10 정렬, 건너뛰기, 제한 96
4.11 도큐먼트 삭제 97
4.12 bulkWrite() 사용 98
4.13 커서 이해하기 100
4.14 몽고DB Stable API 사용하기 102
요약 104

CHAPTER 5 몽고DB 스키마 설계 105
5.1 몽고DB 데이터 모델 구성 106
5.2 임베딩 vs. 참조 112
5.3 스키마 설계 패턴 이해하기 115
5.4 스키마 유효성 검사 129
5.5 몽고DB 스키마 안티패턴 136
요약 137

CHAPTER 6 집계 파이프라인 구축 138
6.1 집계 프레임워크 이해하기 139
6.2 컬렉션 조인 149
6.3 $unwind로 배열 분해하기 152
6.4 축적자로 작업하기 155
6.5 몽고DB 아틀라스 집계 파이프라인 빌더 사용 156
요약 157

CHAPTER 7 쿼리 성능을 위한 인덱싱 159
7.1 몽고DB 쿼리 플래너 160
7.2 지원되는 인덱스 유형 165
7.3 인덱스 삭제 188
7.4 몽고DB 인덱스 속성 189
7.5 인덱스 빌드 이해 194
7.6 인덱스 관리 197
7.7 인덱스를 사용하지 않아야 하는 경우 203
요약 204

CHAPTER 8 멀티도큐먼트 ACID 트랜잭션 실행 206
8.1 WiredTiger 스토리지 엔진 207
8.2 단일 도큐먼트 트랜잭션 209
8.3 ACID 정의 209
8.4 멀티도큐먼트 트랜잭션 210
8.5 몽고DB 트랜잭션 고려 사항 222
요약 223

CHAPTER 9 복제와 샤딩의 사용 224
9.1 복제를 통한 데이터 고가용성 보장 225
9.2 변경 스트림 이해 236
9.3 샤딩을 통한 데이터의 수평적 확장 240
9.4 몽고DB 8.0 샤드 클러스터 기능 262
9.5 데이터 일관성과 가용성 관리 266
요약 272

PART II 몽고DB 아틀라스 데이터 플랫폼CHAPTER 10 Database as a Service 깊이 살펴보기 278
10.1 공유 M0과 Flex 클러스터 279
10.2 전용 클러스터 283
10.3 글로벌 클러스터 290
10.4 워크로드 격리를 통한 멀티리전 구현 291
10.5 쿼리를 위한 사전 정의된 복제 세트 태그 사용 293
10.6 아틀라스 사용자 정의 쓰기 보장 수준 이해 296
요약 297

CHAPTER 11 아틀라스 검색을 사용한 전문 검색 수행 299
11.1 전문 검색 구현 300
11.2 아파치 루씬의 이해 302
11.3 아틀라스 검색 알아보기 305
11.4 아틀라스 검색 인덱스 구축 311
11.5 아틀라스 검색 쿼리 실행 316
11.6 아틀라스 검색 명령어 학습 338
11.7 아틀라스 검색 플레이그라운드 사용하기 338
요약 340

CHAPTER 12 시맨틱 기술과 아틀라스 벡터 검색 학습하기 343
12.1 임베딩으로 시작하기 344
12.2 아틀라스 벡터 검색과 함께 임베딩 사용 350
12.3 아틀라스 벡터 검색 쿼리 실행하기 356
12.4 프로그래밍 언어로 벡터 검색 실행하기 363
12.5 아틀라스 트리거로 자동화된 임베딩 생성하기 367
12.6 벡터 검색 전용 노드를 통한 워크로드 격리 372
12.7 아틀라스 벡터 검색 성능 향상 373
요약 374

CHAPTER 13 아틀라스 CLI를 사용하여 로컬에서 AI 애플리케이션 개발하기 376
13.1 로컬 아틀라스 클러스터 소개 377
13.2 아틀라스 CLI로 로컬에서 아틀라스 클러스터 생성하기 378
13.3 로컬 아틀라스 클러스터 관리하기 383
13.4 로컬 아틀라스 클러스터 심층 탐구하기 388
13.5 검색 인덱스 생성하기 395
요약 399

CHAPTER 14 검색 증강 생성 AI 챗봇 구축하기 401
14.1 검색 증강 생성에 대한 통찰 얻기 402
14.2 RAG 생태계에 랭체인 임베딩하기 404
14.3 몽고DB 아틀라스 벡터 검색 RAG 템플릿 소개 405
14.4 AI 챗봇 시작하기 406
14.5 AI 기반 몽고DB 챗봇 생성하기 408
요약 427

CHAPTER 15 이벤트 기반 애플리케이션 구축하기 429
15.1 이벤트 기반 기술 이해하기 430
15.2 스트림 프로세싱 개념 검토하기 432
15.3 아틀라스 스트림 프로세싱 시작하기 434
15.4 아틀라스 스트림 프로세싱 탐색하기 436
15.5 스트림 프로세서 집계 파이프라인 구조화하기 440
15.6 아틀라스 스트림 프로세싱 마스터하기 448
15.7 스트림 프로세싱 흐름 제어하기 474
15.8 아틀라스 스트림 프로세싱 보안 476
요약 477

CHAPTER 16 아틀라스 데이터 페더레이션으로 데이터 프로세싱 최적화하기 480
16.1 쿼리 API를 통한 아마존 S3 및 애저 블롭 스토리지 데이터 쿼리 480
16.2 아틀라스 데이터 페더레이션 아키텍처 학습하기 482
16.3 아틀라스 페더레이티드 데이터베이스 인스턴스 배포 484
16.4 아틀라스 데이터 페더레이션의 제한 사항 484
16.5 아틀라스 데이터 페더레이션의 요금 485
요약 486

CHAPTER 17 아틀라스 온라인 아카이브로 온라인 아카이빙하기 487
17.1 데이터 아카이빙하기 488
17.2 온라인 아카이브 초기화하기 491
17.3 온라인 아카이브 연결 및 쿼리하기 495
17.4 아카이브 데이터 복원하기 498
요약 499

CHAPTER 18 SQL을 사용하여 아틀라스 쿼리하기 501
18.1 아틀라스 SQL 인터페이스 소개 502
18.2 아틀라스 SQL 인터페이스에 연결하기 503
18.3 SQL을 사용하여 몽고DB 쿼리하기 505
요약 511

CHAPTER 19 차트, 데이터베이스 트리거, 함수 생성하기 512
19.1 아틀라스 차트로 데이터 시각화하기 513
19.2 아틀라스 애플리케이션 서비스 521
요약 531

PART III 몽고DB 보안과 운영CHAPTER 20 아틀라스 몽고DB 보안 기능 이해하기 535
20.1 공유 책임 모델 이해하기 536
20.2 인증 관리 539
20.3 권한 부여 처리 543
20.4 아틀라스 감사하기 548
20.5 아틀라스의 데이터 암호화 551
20.6 네트워크 보안 557
20.7 심층적 방어 구현 560
요약 562

CHAPTER 21 아틀라스를 통한 운영 우수성 565
21.1 백업 전략 및 관행 수립 566
21.2 아틀라스 클러스터의 성능 검사 575
21.3 알림 및 로깅 585
21.4 아틀라스 클러스터 업그레이드 589
요약 590

찾아보기 593

몽고DB는 스케일 아웃에 최적화되어 있으며, 도큐먼트 지향 모델을 사용하여 여러 서버에 데이터를 효율적으로 분산시킨다. 몽고DB의 도큐먼트 지향 모델은 각 도큐먼트가 자체 완결적이라는 특성으로 인해 데이터 분산에 적합하며, 필요한 모든 정보가 한곳에 저장된다. 관계형 데이터베이스에서는 흔한 데이터 간의 복잡한 조인의 필요성이 줄어든다는 것을 의미한다. 결과적으로 몽고DB는 서버 간에 데이터를 효율적으로 관리하고 할당할 수 있어, 손쉬운 확장이 가능하다. (…) 그림 1.1은 이러한 스케일 아웃 접근 방식을 보여준다. 이 접근 방식을 구현하는 프로세스를 샤딩(sharding)이라고 한다. 샤딩은 여러 장비에 데이터를 분산시키며, 데이터 확장에 대한 관리를 단순화하기 위해 자동화된 데이터 균형 조정과 부하 분산이 이루어진다.

여러 도큐먼트를 검색하는 조회 작업은 쿼리와 일치하는 모든 도큐먼트를 동시에 직접 제공하지는 않는다. 쿼리가 많은 수의 도큐먼트와 일치할 수 있으므로 이러한 작업들은 커서를 생성한다. 이 커서는 쿼리 기준을 충족하는 도큐먼트를 가리키고, 배치로 도큐먼트를 검색하여 메모리 사용과 네트워크 대역폭을 최소화하는 데 도움이 된다. 커서는 다양하고 세밀하게 조정할 수 있으며, 다양한 시나리오에 맞는 다양한 상호작용 방법을 지원한다. find() 메서드는 커서를 직접 반환한다. (…) 커서를 시작하려면 일반적으로 커서를 반환하는 db.routes.find()와 같은 쿼리를 실행한다. 커서는 모든 도큐먼트를 즉시 반환하지 않고, 배치로 도큐먼트를 가져올 수 있게 한다. 이 커서를 변수에 저장할 수 있다.