Какие знаешь не реляционные базы данных?

Нереляционные базы данных: обзор и классификация

В контексте QA Automation понимание нереляционных баз данных критически важно для тестирования современных приложений, особенно в сферах больших данных, микросервисов и распределённых систем. В отличие от реляционных СУБД, NoSQL (Not only SQL) базы данных предлагают гибкие схемы, горизонтальную масштабируемость и оптимизацию под конкретные модели данных и паттерны доступа. Вот основные типы, которые я регулярно использую и тестирую:

1. Документоориентированные базы данных

Хранят данные в виде JSON-подобных документов (например, BSON), что позволяет иметь вложенные структуры и динамические схемы. Это упрощает работу с объектами приложения.

• MongoDB: Наиболее популярный представитель. Часто применяется для контент-каталогов, профилей пользователей.

  // Пример документа в MongoDB
  {
      "_id": ObjectId("507f1f77bcf86cd799439011"),
      "username": "test_user",
      "email": "user@test.com",
      "preferences": {"theme": "dark", "language": "ru"}
  }
  

• CouchDB: Отличается механизмом репликации multi-master и использованием RESTful HTTP API.

2. Базы данных «ключ-значение» (Key-Value)

Простейшая модель: уникальный ключ связан со значением (строкой, JSON, бинарными данными). Идеальны для кэширования и хранения сессий благодаря высокой скорости и простоте.

• Redis: In-memory хранилище с поддержкой различных структур данных (строки, списки, множества). Широко используется для кэша, брокера сообщений.

  SET session:user123 "{\"lastLogin\": \"2024-05-20\", \"role\": \"admin\"}"
  GET session:user123
  

• Amazon DynamoDB: Управляемая, масштабируемая база от AWS с гарантированной низкой задержкой.

3. Колоночные базы данных (Wide-Column Stores)

Данные хранятся не по строкам, а по колонкам, что ускоряет агрегацию и анализ больших объёмов данных. Аналог таблиц, но с гибкой структурой колонок внутри семейств.

• Apache Cassandra: Распределённая, отказоустойчивая БД, ориентированная на запись. Используется для time-series данных, логов.
• HBase: Построена поверх HDFS (Hadoop), хорошо интегрируется с экосистемой больших данных для аналитики.

4. Графовые базы данных

Специализируются на хранении связей между сущностями. Данные представляются как узлы (сущности), рёбра (связи) и их свойства. Незаменимы для социальных сетей, рекомендательных систем.

• Neo4j: Лидер рынка с декларативным языком запросов Cypher.

  // Найти друзей пользователя Alice
  MATCH (alice:User {name: 'Alice'})-[:FRIEND]->(friend)
  RETURN friend.name
  

• Amazon Neptune: Управляемый сервис, поддерживающий как графовые модели, так и RDF.

5. Базы данных для поиска (Search Engines)

Оптимизированы для полнотекстового поиска и сложных запросов.

• Elasticsearch: Построена на Apache Lucene. Помимо поиска, часто используется для логов и аналитики (ELK-стек).

Практическое применение в QA Automation

При тестировании приложений, использующих NoSQL, важно учитывать:

• Подход к тестированию: Акцент на API-тесты (REST, специфичные драйверы), а не на проверку SQL-запросов.
• Особенности данных: Тестирование нестрогой схемы (одно поле может быть строкой или массивом), консистентности (модели eventual consistency в распределённых системах).
• Инструменты:

    *   Для изоляции тестов использую **Docker-контейнеры** с базами (например, `docker run mongo`).
    *   Для проверки состояния данных пишу **вспомогательные методы** на Python/Java.

```python
# Пример фикстуры Pytest для MongoDB
import pytest
from pymongo import MongoClient

@pytest.fixture
def mongo_client():
    client = MongoClient('localhost', 27017)
    yield client.test_database
    client.drop_database('test_database') # Очистка после теста

def test_user_creation(mongo_client):
    mongo_client.users.insert_one({"name": "Test", "age": 30})
    assert mongo_client.users.count_documents({}) == 1
```

Понимание этих типов баз данных помогает автоматизировать тесты для верификации целостности данных, производительности запросов (например, с помощью профилирования в MongoDB) и корректности работы распределённых систем в условиях сетевых разделений. Для современного QA Automation инженера это не просто знание технологий, а необходимость для построения надёжных и релевантных тестовых сценариев.