ما هي إيجابيات وسلبيات البيانات الهرمية مقابل البيانات ذات الصلة، في الأداء (والتصنيف)؟

Question

هذا يرتبط هذا السؤال. وبعد حصلت لي التفكير في ذلك، على سبيل المثال، هذا الكتاب. وبعد بدلا من كونها طفل كليهما [Agriculture] و [Other], ، في الاشجار [Books > Catalogs > Agriculture] و [Business & Industrial > Agriculture & Forestry > Other], ، على التوالي، يمكن أن تقف فقط من تلقاء نفسها على هذه المستويات كعلامات، بدلا من ذلك.

في موقع إلكتروني مثل eBay، هل تكاليف أداء إدراج جميع السجلات مع كذا [Agriculture و Catalog] تفوقها بشدة تلك الإدراج جميع السجلات في [Books > Catalogs > Agriculture] الفئة, ، شريطة تطبيع البيانات بشكل صحيح؟

أدرك أن هذا ربما هو سؤال غبي (ولا، لا أعتقد أنني برمجة يباي المقبل)، لكنني لا أستطيع هز هذا الفضول وأسوأ؛ ال إغراء; ؛ لذلك أنا أفضل أن يبدو غبيا الآن واحصل على فهم جيد لسوء تفهمي أكثر من فعل شيء غبي أو غير مدعوم في وقت لاحق.

Answer 1

عندما ظهر النموذج العلائقي لأول مرة، كان نموذج قاعدة البيانات المهيمنة هرمية؛ ثم (كما هو الحال ما هو الحال) هو التسلسل الهرمي أكثر كفاءة لأنه، في جوهرها، يمكنك أن تبدأ باستعلامات provication جزئيا.

ولكن فقط بناء على هيكل هرمي ثابت واحد. تظهر الصعوبة الكبرى عندما تريد ثني عرض البيانات المجيء من بعد جذر آخر. (كان هناك سؤال نقاش بقوة ما إذا كانت قواعد البيانات العلائقية قد تكون فعالة بما فيه الكفاية للاستخدام العملي؛ قريبا قريبا عن طريق التطبيق الدؤوب لقانون مور.)

فكر في العملاء الذين لديهم أوامر تشمل المنتجات؛ التسلسل الهرمي. حتما ستحتاج أيضا إلى التفكير في المنتجات التي سيتم العثور عليها في أوامر من العملاء؛ التسلسل الهرمي الآخر بالكامل. ومندوبيسب المواعيد في المناطق التي تولد أوامر من العملاء؛ أو لديك العملاء الذين يضعون الأوامر.

قواعد البيانات العلائقية تحمل لك القدرة على إعادة بناء التسلسلات الهرمية الخاصة بك في الإرادة مع الكفاءة المتساوية تقريبا؛ فائدة متوفرة فقط في تنسيقات قاعدة البيانات الأخرى بتكلفة تضمين التسلسلات الهرمية المتعامدة المتعددة؛ في هذه الحالة، أصبحت تكلفة التغيير أو إضافة أو حذف البيانات فلكية.

Answer 2

الغرض الرئيسي من النموذج العلائقي هو منع الازدواجية. البيانات الهرمية، في حين أن الأسهل في Grok يدويا، تعاني من مشاكل ازدواجية.

استخدم النموذج الذي يناسب بياناتك أفضل بدلا من القيام بتحسين سابق لأوانه.

أميل إلى بناء أشجار هرمية مقدمية خارج البيانات العلائقية.