金仓数据库 MongoDB 兼容：多模融合下的架构之道与实战体验

引言：从"平替"到"超越"的技术跨越

在国产化替代（信创）浪潮下，选择数据库不再只是考量"能否使用"，更多关注其"好用与否"，还要看是否能做到"无缝切换"。提到 MongoDB，想必大家都不生疏，作为 NoSQL 领域的佼佼者，凭借自身灵活的数据架构和飞快的读写效率，斩获诸多互联网及物联网项目，不过须要诚实地表明，一旦关乎到企业核心业务，譬如要确保数据完全一致，执行繁杂的关联查询或者实施统一运作管理时，MongoDB 就常常会有些力不从心。

电科金仓（Kingbase）所给出的多模融合数据库方案颇具趣味，该方案并非仅仅创建一层适配层来博取眼球，其实在架构层面上执行了"降维打击"，经由内核级别的 MongoDB 协议适配 并结合自主研发的 OSON 存储引擎，金仓把"关系型数据库稳定的基础"与"NoSQL 灵活的特性"融合起来，现在，让我们一起探究金仓数据库（KingbaseES，简称为 KES）在适配 MongoDB 时蕴含着哪些技术要点，随后凭借几段实际操作代码，让大家领略到其性能究竟有多么出色。

文章目录

- 引言：从"平替"到"超越"的技术跨越
- [一、多模融合：底层架构的"混血"优势](#一、多模融合：底层架构的“混血”优势)
- - [1.1 架构解析](#1.1 架构解析)
  - [1.2 协议兼容的技术实现](#1.2 协议兼容的技术实现)
- [二、核心对决：BSON vs OSON](#二、核心对决：BSON vs OSON)
- [三、实战设计：高可用与索引优化](#三、实战设计：高可用与索引优化)
- - [3.1 索引框架的灵活性](#3.1 索引框架的灵活性)
  - [3.2 高可用架构 (HA)](#3.2 高可用架构 (HA))
- [四、多模数据的统一查询优化](#四、多模数据的统一查询优化)
- [五、实操验证：3分钟体验多模能力](#五、实操验证：3分钟体验多模能力)
- - [5.1 环境准备与数据写入](#5.1 环境准备与数据写入)
  - [5.2 JSON 深度查询与索引验证](#5.2 JSON 深度查询与索引验证)
  - [5.3 关系与文档的融合查询](#5.3 关系与文档的融合查询)
- [六、总结：国产化替代的技术底气](#六、总结：国产化替代的技术底气)

一、多模融合：底层架构的"混血"优势

以前咱们做架构设计，关系型数据库和非关系型数据库往往是井水不犯河水，结果就是企业里的技术栈被割裂成好几块，维护起来那叫一个头大。金仓 KES 走了一条多模融合的路子，简单说，就是在同一个数据库内核里，既能存表（Table），也能存文档（Document/JSON），让它们在一个锅里吃饭。

1.1 架构解析

大家别以为金仓只是在外面套了个中间件做转发，人家是真刀真枪的内核级支持：
统一存储层 KingbaseES 内核接口适配层共享缓冲池共享事务日志 WAL 结构化数据 (Heap Table) 半结构化数据 (OSON) 统一解析器 (SQL/Mongo Command) 统一优化器统一执行器 JDBC/ODBC MongoDB Driver 应用层 (Java/Python/Go)

统一存储层 ：不管是传统的表数据，还是 JSON 文档，底层用的都是同一套事务日志（WAL）和缓冲池（Buffer Pool）。这意味着啥？意味着你的 JSON 数据天生就拥有了关系型数据库最引以为傲的 ACID 事务特性。这一点，可是早期版本的 MongoDB 望尘莫及的强一致性保障。
统一计算层：SQL 解析器被狠狠加强了一波，它现在是个"双语通"，既能听懂标准 SQL，也能解析 MongoDB 风格的查询（或者通过驱动转换过来）。这样一来，想把文档数据和表数据做个 JOIN 关联查询，简直是小菜一碟。

1.2 协议兼容的技术实现

为了让原来的 MongoDB 应用能无缝迁移过来，金仓在兼容适配层上下了不少功夫。

通信协议：KES 可以监听 MongoDB 的 Wire Protocol，也就是能够理解 MongoDB 的"方言"，原先的 Java Driver 或 PyMongo 客户端，只要稍微改动一下连接设置，就可以与 KES 建立联系，这样应用改造所花费的成本就会大幅缩减。

命令映射并非单纯将 find()，insert() 等命令转化为 SQL，而是即时转为成 KES 内部高效执行方案，这种"直译"方式可确保执行效率不打折。

二、核心对决：BSON vs OSON

MongoDB 用的是 BSON (Binary JSON) 格式，而金仓为了追求极致性能，搞出了个自主研发的 OSON (Optimized JSON) 格式。这玩意儿，就是 KES 性能起飞的关键密码。
金仓 OSON 读取: 头部定位读取 OSON 头部偏移表开始读取 user.address.city 直接跳转到 city 偏移量获取数据 MongoDB BSON 读取: 需遍历扫描 user 字段开始读取 user.address.city 扫描 address 字段扫描 city 字段获取数据

实战点评 ：试想一下，如果你要频繁读取一个大文档里藏得很深的字段（比如 user.profile.address.city），OSON 的表现通常能甩 BSON 两三倍。原因很简单，OSON 是"直达"，而 BSON 得"跑腿"遍历。

三、实战设计：高可用与索引优化

3.1 索引框架的灵活性

金仓不仅继承了 GIN (Generalized Inverted Index) 索引，还把它打磨得更适合 JSON 文档了。

实战代码示例：

假设咱们有个电商订单表 orders，数据长这样：

json 复制代码

{
  "order_id": "20251223001",
  "customer": { "name": "张三", "vip": true },
  "items": [
    { "product": "Mate60", "price": 6999 },
    { "product": "Case", "price": 99 }
  ],
  "tags": ["数码", "加急"]
}

在 MongoDB 里，你可能会这么建索引：

javascript 复制代码

db.orders.createIndex({ "items.product": 1 })

到了 KingbaseES，你可以用函数索引或者 GIN 索引达到同样的效果，甚至还能支持全文检索：

sql 复制代码

-- 创建 GIN 索引，一招鲜吃遍天，加速整个 JSON 文档的键值查询
CREATE INDEX idx_orders_json ON orders USING gin (data);

-- 或者，如果你追求极致速度，可以针对特定路径建 B-Tree 索引
CREATE INDEX idx_orders_product ON orders USING btree ((data->'items'->0->>'product'));

注：KES 允许你给 JSON 里的特定字段建强类型的 B-Tree 索引，这在做范围查询（Range Scan）的时候，速度比 MongoDB 的索引还要快。

3.2 高可用架构 (HA)

金仓的 KES RAC（读写分离/共享存储集群）方案，给文档数据上了把企业级的"保险锁"：

故障秒级切换：万一主节点挂了，备节点立马顶上，应用端甚至都感觉不到断连。

物理复制依靠 WAL 实现，这种复制方式要比 MongoDB 依赖逻辑 oplog 的复制更为可靠，其延迟时间也更短。

四、多模数据的统一查询优化

企业开发时最忌惮什么？最忌惮跨库关联查询，在 MongoDB 中，利用 $lookup 执行关联时，其性能常常令人头疼不已，而且存在诸多限制，但在金仓 KES 中，可以直接书写 SQL 来有力地关联 JSON 数据，这简直是一种享受。

场景：我们要查出所有买了"Mate60"而且用户等级是"VIP"的订单详情。

KingbaseES 混合查询示例：

sql 复制代码

SELECT 
    o.data->>'order_id' as order_id,
    c.user_name,
    o.data->'items' as item_list
FROM 
    orders_doc o -- 这是存 JSON 文档的表
JOIN 
    users_table c -- 这是传统的普通表
ON 
    (o.data->'customer'->>'name') = c.user_name
WHERE 
    o.data @> '{"items": [{"product": "Mate60"}]}' -- JSON 包含查询
    AND c.vip_level > 3;

解析：这条 SQL 把 orders_doc 的 JSON 路径检索和 users_table 的关系型 JOIN 完美融合在了一起。优化器聪明得很，它会自动判断是先过滤 JSON 快，还是先做 JOIN 快，这种智能优化，是传统 NoSQL 很难做到的。
用户/应用 SQL解析器混合执行引擎关系型表(Table) 文档集合(JSON) 发起混合查询 (JOIN SQL) 解析 SQL 语法 & JSON 路径生成执行计划扫描用户表 (Index Scan) 扫描订单文档 (GIN Index) par [并行扫描] 返回符合条件的用户行返回符合条件的 JSON 文档执行 Hash Join / Nested Loop 返回融合结果集用户/应用 SQL解析器混合执行引擎关系型表(Table) 文档集合(JSON)

五、实操验证：3分钟体验多模能力

为了让大家眼见为实，感受一下金仓 KES 的多模能力，我准备了一套脚本，大家可以直接在 KStudio 或者 psql 里跑跑看。

5.1 环境准备与数据写入

首先，咱们建个带 JSON 字段的表，模拟插入几条 MongoDB 风格的订单数据。

sql 复制代码

-- 创建测试表，data 字段类型为 JSONB (底层就是 OSON 存储)
DROP TABLE IF EXISTS orders_doc;
CREATE TABLE orders_doc (
    id SERIAL PRIMARY KEY,
    data JSONB
);

-- 写入测试数据 (模拟几笔电商订单)
INSERT INTO orders_doc (data) VALUES 
('{"order_id": "ORD-001", "customer": "Alice", "amount": 299, "tags": ["electronics", "sale"]}'),
('{"order_id": "ORD-002", "customer": "Bob", "amount": 1299, "tags": ["mobile", "urgent"]}'),
('{"order_id": "ORD-003", "customer": "Charlie", "amount": 59, "tags": ["books"]}');

-- [验证点 1] 查一下，确认数据是不是按 OSON 格式存进去了
SELECT * FROM orders_doc;

✅ 验证结果分析 ：

瞧，KES 完美地解析并存储了包含数组（tags）和嵌套对象的 JSON 数据。整个插入过程跟写标准 SQL 没啥两样，这就是"关系型底座"带来的便利。

5.2 JSON 深度查询与索引验证

接下来，咱们试试 JSON 路径查询方不方便，顺便看看索引到底有没有生效。

sql 复制代码

-- 创建 GIN 倒排索引，给 JSON 查询提提速
CREATE INDEX idx_orders_gin ON orders_doc USING gin (data);

-- 来个复杂点的过滤查询
-- 场景：我要找标签里有 "mobile" 而且金额大于 1000 的订单
SELECT 
    data->>'order_id' AS OrderID, 
    data->>'customer' AS Customer,
    data->>'amount' AS Amount
FROM orders_doc 
WHERE data @> '{"tags": ["mobile"]}' 
AND (data->>'amount')::int > 1000;

--  看看执行计划 (检查索引有没有被用到)

EXPLAIN ANALYZE 
SELECT * FROM orders_doc WHERE data @> '{"tags": ["mobile"]}';

✅ 验证结果分析 ：

查询很准，结果准确无误地显示为 ORD-002，这表明 KES 在处理 JSON 数组时，其中涉及查询（即 tags 包含 mobile），也存在数值比较（也就是 amount 大于 1000）这样的逻辑，并且这些逻辑全部位于线上。

执行计划如何，细心的朋友也许会注意到 Seq Scan，不要担心，在数据量仅有几条之时，改良器觉得全表扫描要比加載索引更快，这实际上是其聪明之处；等到数据量达到万条以上时，你再去查看，它会自动转为成 Bitmap Index Scan，借助 GIN 索引做到毫秒级定位。

5.3 关系与文档的融合查询

最后，咱们来个重头戏：把传统表和 JSON 文档连起来查。

sql 复制代码

-- 先建个标准的关系表 (用户等级表) 并填点数据
CREATE TABLE user_levels (
    username VARCHAR(50),
    level_name VARCHAR(20)
);
INSERT INTO user_levels VALUES ('Alice', 'Silver'), ('Bob', 'Gold'), ('Charlie', 'Bronze');

-- 执行跨模态 JOIN 查询
-- 场景：我想把所有 "Gold" 级别用户的订单详情找出来
SELECT 
    u.level_name AS UserLevel,
    o.data->>'order_id' as OrderID,
    o.data->>'amount' as Amount
FROM 
    orders_doc o
JOIN 
    user_levels u ON o.data->>'customer' = u.username
WHERE 
    u.level_name = 'Gold';

✅ 验证结果分析 ：

结果不负众望，成功把 Gold 级别用户 Bob 的订单给捞出来了。这实打实地证明了金仓数据库打破了 NoSQL 和 SQL 的次元壁------咱们再也不用在应用层写一堆代码去分别查 MongoDB 和数据库再拼装了，一条 SQL 搞定跨模态数据关联，既省事又高效。

六、总结：国产化替代的技术底气

金仓数据库对于 MongoDB 的适配，并非仅仅因为"可以存储 JSON"这么简单，这体现出国产数据库在内核方面有着很强的实力。

拼性能：OSON 格式加上 GIN 索引，把大文档查询的性能瓶颈给打通了。

保可靠: 依靠关系型数据库已有的ACID事务以及HA架构，为NoSQL的数据安全形成稳固保障。

图易用：标准 SQL 和 NoSQL 语法随意切换，开发人员上手几乎没有门槛。

对于正在开展信创改造的企业而言，选择金仓 KES 并非仅仅着眼于达成国产化指标，更多时候更像是一次数据架构的全方位升级，在收获 NoSQL 的灵活性之时，重新寻回关系型数据库那难得的安全感与秩序感。

金仓数据库 MongoDB 兼容：多模融合下的架构之道与实战体验

引言：从"平替"到"超越"的技术跨越

文章目录

一、 多模融合：底层架构的"混血"优势

1.1 架构解析

1.2 协议兼容的技术实现

二、 核心对决：BSON vs OSON

三、 实战设计：高可用与索引优化

3.1 索引框架的灵活性

3.2 高可用架构 (HA)

四、 多模数据的统一查询优化

五、 实操验证：3分钟体验多模能力

5.1 环境准备与数据写入

5.2 JSON 深度查询与索引验证

5.3 关系与文档的融合查询

六、 总结：国产化替代的技术底气

一、多模融合：底层架构的"混血"优势

二、核心对决：BSON vs OSON

三、实战设计：高可用与索引优化

四、多模数据的统一查询优化

五、实操验证：3分钟体验多模能力

六、总结：国产化替代的技术底气