Приведи примеры применения конкретных баз данных

Ответ: Конкретные базы данных и их применение

Каждая БД имеет свою область использования. Давай разберёмся не на теории, а на практических примерах.

1. PostgreSQL — король SQL баз для production

Когда использовать

• OLTP (Online Transaction Processing) — традиционные приложения
• Структурированные данные с четкой схемой
• Сложные связи между таблицами (foreign keys, join-ы)
• Надежность — нужна ACID гарантия

Пример из жизни: социальная сеть

import sqlalchemy as sa
from sqlalchemy.orm import Session

query = """
SELECT u.id, u.name, COUNT(f.id) as friend_count
FROM users u
LEFT JOIN friendships f ON u.id = f.user_id
WHERE u.created_at > NOW() - INTERVAL '1 month'
GROUP BY u.id, u.name
HAVING COUNT(f.id) > 5
ORDER BY friend_count DESC
LIMIT 100;
"""

Почему PostgreSQL:

• Нужны сложные JOIN-ы (пользователь → друзья → их посты)
• Нужна ACID гарантия (не потеряем дружбу)
• Структура жёсткая (у пользователя всегда есть id, name, email)

2. Redis — кэш и session store

Когда использовать

• Кэширование часто запрашиваемых данных
• Session хранилище для веб приложений
• Rate limiting и token bucket
• Очереди задач (Celery, RQ)
• Real-time счетчики (views, likes)
• Pub/Sub для real-time уведомлений

Пример: кэширование API ответов

import redis
import json
from functools import wraps
from datetime import timedelta

r = redis.Redis(host='localhost', port=6379, db=0)

def cache_result(expire_time=300):
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            cache_key = f"cache:{func.__name__}:{args}:{kwargs}"
            cached = r.get(cache_key)
            if cached:
                return json.loads(cached)
            result = func(*args, **kwargs)
            r.setex(cache_key, expire_time, json.dumps(result))
            return result
        return wrapper
    return decorator

@cache_result(expire_time=600)
def get_user_profile(user_id):
    return db.query(User).get(user_id).to_dict()

3. MongoDB — гибкие документы (NoSQL)

Когда использовать

• Неструктурированные данные
• Быстрая разработка (схема может меняться)
• Иерархические данные (вложенные объекты)
• Масштабирование (sharding встроен)

Пример: логирование событий

from pymongo import MongoClient
from datetime import datetime

client = MongoClient("mongodb://localhost:27017")
db = client["events_db"]
logs = db["user_events"]

logs.insert_one({
    "event_type": "click",
    "user_id": 123,
    "timestamp": datetime.now(),
    "element_id": "button_subscribe"
})

user_events = list(logs.find({"user_id": 123}))

4. Elasticsearch — полнотекстовый поиск

Когда использовать

• Полнотекстовый поиск с фильтрами
• Analytics и логирование (ELK stack)
• Рекомендации на основе текста

Пример: поиск в блоге

from elasticsearch import Elasticsearch

es = Elasticsearch(["localhost:9200"])

es.index(index="articles", id=1, body={
    "title": "Python asyncio guide",
    "content": "Event loop, coroutines...",
    "author": "John Doe",
    "published": "2024-01-15",
    "tags": ["python", "async"]
})

result = es.search(index="articles", body={
    "query": {
        "multi_match": {
            "query": "asyncio coroutines",
            "fields": ["title^2", "content"]
        }
    }
})

5. TimescaleDB — временные ряды

Когда использовать

• Мониторинг (метрики, alerts)
• Финансовые данные (свечи, индикаторы)
• IoT сенсоры (миллионы точек данных в день)

6. ClickHouse — аналитика

Когда использовать

• OLAP (Online Analytical Processing)
• Аналитика больших объёмов (триллионы строк)
• Примеры: Yandex Metrica, CloudFlare, Uber

Таблица выбора БД

Мой рекомендуемый стек

Для типичного приложения:

1. PostgreSQL — основное хранилище
2. Redis — кэш и сессии
3. Elasticsearch — поиск (если нужен)
4. TimescaleDB — аналитика метрик (если нужна)

Итог

• Выбор БД зависит от use case, не от моды
• PostgreSQL + Redis покрывает 80 процентов задач
• Elasticsearch для поиска
• MongoDB только если нужна гибкая схема
• Не используй один инструмент для всего