In diesem Leitfaden werden einige der wichtigsten Konzepte der Datenarchitektur und Best Practices für die Strukturierung der JSON-Daten in Ihrer Firebase Realtime Database behandelt.
Der Aufbau einer richtig strukturierten Datenbank erfordert einiges an Überlegung. Vor allem müssen Sie planen, wie Daten gespeichert und später abgerufen werden, um diesen Prozess so einfach wie möglich zu gestalten.
Datenstruktur: ein JSON-Baum
Alle Firebase Realtime Database-Daten werden als JSON-Objekte gespeichert. Sie können sich die Datenbank als eine cloud-gehostete JSON-Baumstruktur vorstellen. Im Gegensatz zu einer SQL-Datenbank gibt es keine Tabellen oder Datensätze. Wenn Sie der JSON-Baumstruktur Daten hinzufügen, werden diese zu einem Knoten in der vorhandenen JSON-Baumstruktur mit einem verknüpften Schlüssel. Sie können eigene Schlüssel wie Nutzer-IDs oder semantische Namen angeben oder sie können mit childByAutoId für Sie bereitgestellt werden.
Stellen Sie sich beispielsweise eine Chatanwendung vor, mit der Nutzer ein einfaches Profil und eine Kontaktliste speichern können. Ein typisches Nutzerprofil befindet sich unter einem Pfad wie /users/$uid. Der Nutzer alovelace hat möglicherweise einen Datenbankeintrag, der in etwa so aussieht:
{ "users": { "alovelace": { "name": "Ada Lovelace", "contacts": { "ghopper": true }, }, "ghopper": { "..." }, "eclarke": { "..." } } }
Obwohl die Datenbank einen JSON-Baum verwendet, können in der Datenbank gespeicherte Daten als bestimmte native Typen dargestellt werden, die den verfügbaren JSON-Typen entsprechen. So können Sie besser wartbaren Code schreiben.
Best Practices für die Datenstruktur
Vermeiden Sie verschachtelte Daten.
Da die Firebase Realtime Database das Verschachteln von Daten bis zu 32 Ebenen tief ermöglicht, könnten Sie versucht sein, dies als Standardstruktur zu verwenden. Wenn Sie jedoch Daten an einem Speicherort in Ihrer Datenbank abrufen, rufen Sie auch alle untergeordneten Knoten ab. Wenn Sie jemandem Lese- oder Schreibzugriff auf einen Knoten in Ihrer Datenbank gewähren, gewähren Sie ihm außerdem Zugriff auf alle Daten unter diesem Knoten. In der Praxis ist es daher am besten, die Datenstruktur so flach wie möglich zu halten.
Hier ist ein Beispiel dafür, warum verschachtelte Daten problematisch sind. Betrachten Sie die folgende mehrfach verschachtelte Struktur:
{ // This is a poorly nested data architecture, because iterating the children // of the "chats" node to get a list of conversation titles requires // potentially downloading hundreds of megabytes of messages "chats": { "one": { "title": "Historical Tech Pioneers", "messages": { "m1": { "sender": "ghopper", "message": "Relay malfunction found. Cause: moth." }, "m2": { ... }, // a very long list of messages } }, "two": { "..." } } }
Bei diesem verschachtelten Design wird das Iterieren durch die Daten problematisch. Wenn Sie beispielsweise die Titel von Chatunterhaltungen auflisten möchten, muss der gesamte chats-Baum, einschließlich aller Mitglieder und Nachrichten, auf den Client heruntergeladen werden.
Datenstrukturen vereinfachen
Wenn die Daten stattdessen in separate Pfade aufgeteilt werden (auch Denormalisierung genannt), können sie bei Bedarf effizient in separaten Aufrufen heruntergeladen werden. Betrachten Sie diese vereinfachte Struktur:
{ // Chats contains only meta info about each conversation // stored under the chats's unique ID "chats": { "one": { "title": "Historical Tech Pioneers", "lastMessage": "ghopper: Relay malfunction found. Cause: moth.", "timestamp": 1459361875666 }, "two": { "..." }, "three": { "..." } }, // Conversation members are easily accessible // and stored by chat conversation ID "members": { // we'll talk about indices like this below "one": { "ghopper": true, "alovelace": true, "eclarke": true }, "two": { "..." }, "three": { "..." } }, // Messages are separate from data we may want to iterate quickly // but still easily paginated and queried, and organized by chat // conversation ID "messages": { "one": { "m1": { "name": "eclarke", "message": "The relay seems to be malfunctioning.", "timestamp": 1459361875337 }, "m2": { "..." }, "m3": { "..." } }, "two": { "..." }, "three": { "..." } } }
Es ist jetzt möglich, die Liste der Chatrooms zu durchlaufen, indem nur wenige Byte pro Unterhaltung heruntergeladen werden. So können Metadaten schnell abgerufen werden, um Chatrooms in einer Benutzeroberfläche aufzulisten oder anzuzeigen. Nachrichten können separat abgerufen und angezeigt werden, sobald sie eingehen. So bleibt die Benutzeroberfläche reaktionsschnell und schnell.
Skalierbare Daten erstellen
Beim Erstellen von Apps ist es oft besser, eine Teilmenge einer Liste herunterzuladen. Das ist besonders häufig der Fall, wenn die Liste Tausende von Datensätzen enthält. Wenn diese Beziehung statisch und unidirektional ist, können Sie die untergeordneten Objekte einfach unter dem übergeordneten Objekt verschachteln.
Manchmal ist diese Beziehung dynamischer oder es kann erforderlich sein, diese Daten zu denormalisieren. In vielen Fällen können Sie die Daten denormalisieren, indem Sie eine Abfrage verwenden, um eine Teilmenge der Daten abzurufen, wie unter Daten abrufen beschrieben.
Aber selbst das reicht möglicherweise nicht aus. Betrachten Sie beispielsweise eine bidirektionale Beziehung zwischen Nutzern und Gruppen. Nutzer können einer Gruppe angehören und Gruppen umfassen eine Liste von Nutzern. Wenn es darum geht, zu entscheiden, zu welchen Gruppen ein Nutzer gehört, wird es kompliziert.
Es wird eine elegante Möglichkeit benötigt, die Gruppen aufzulisten, zu denen ein Nutzer gehört, und nur Daten für diese Gruppen abzurufen. Ein Index von Gruppen kann hier sehr hilfreich sein:
// An index to track Ada's memberships { "users": { "alovelace": { "name": "Ada Lovelace", // Index Ada's groups in her profile "groups": { // the value here doesn't matter, just that the key exists "techpioneers": true, "womentechmakers": true } }, // ... }, "groups": { "techpioneers": { "name": "Historical Tech Pioneers", "members": { "alovelace": true, "ghopper": true, "eclarke": true } }, // ... } }
Ihnen fällt vielleicht auf, dass dadurch einige Daten dupliziert werden, da die Beziehung sowohl im Datensatz von Ada als auch in der Gruppe gespeichert wird. Jetzt ist alovelace unter einer Gruppe indexiert und techpioneers wird im Profil von Ada aufgeführt. Wenn Sie Ada aus der Gruppe löschen möchten, müssen Sie sie an zwei Stellen aktualisieren.
Dies ist eine notwendige Redundanz für bidirektionale Beziehungen. So können Sie die Mitgliedschaften von Ada schnell und effizient abrufen, selbst wenn die Liste der Nutzer oder Gruppen Millionen von Einträgen umfasst oder wenn Realtime Database-Sicherheitsregeln den Zugriff auf einige der Datensätze verhindern.
Bei diesem Ansatz werden die Daten invertiert, indem die IDs als Schlüssel aufgeführt und der Wert auf „true“ gesetzt wird. So lässt sich ein Schlüssel ganz einfach prüfen, indem /users/$uid/groups/$group_id gelesen und geprüft wird, ob der Wert null ist. Der Index ist schneller und wesentlich effizienter als das Abfragen oder Scannen der Daten.