公告MongoDB 8.0 隆重推出，这是有史以来最快的MongoDB！了解详情 >MongoDB 8.0 隆重推出，这是有史以来最快的MongoDB！>>

公告Voyage AI 与 MongoDB 携手合作，致力于在 Atlas 上提供更准确和更值得信赖的 AI 应用。了解更多 >Voyage AI 与 MongoDB 携手合作，致力于在 Atlas 上提供更准确和更值得信赖的 AI 应用。>>

MongoDB

Query API。
简单、丰富且统一。

一种灵活、直观的数据处理方式。使用所选语言和工具，以最少的代码和最高的生产力交付应用程序。

立即构建

了解详情

Atlas architecture diagram highlighting "Transactional" and "Analytical" within the Unified Interface category.

直观的界面可简化任何数据类型（包括数组、地理空间和时间序列数据）的复杂数据工作负载处理，所有这些都使开发者能够用更少的代码交付更多的工作。

用您的首选语言工作
用于操作、分析和搜索工作负载的单一界面

轻松处理任何数据类型

使用 MongoDB Query API 完全掌管您的数据。它可以轻松处理任何数据结构，包括键值、图、地理空间、时间序列和对象。这些丰富的查询功能针对内嵌数组和对象进行了优化，释放了文档模型的灵活性。

查询数组

查询嵌套文档

通过单一界面提高工作效率

释放数据操作的全部潜力。执行关键操作，包括索引、查询和更新，所有这些均通过一个强大的 API 完成。通过使用事务、搜索和分析查询来实现应用程序的现代化，无需在界面之间切换或应对复杂的查询语法。

了解全文搜索详情

探索数据分析

简化开发流程

使用首选的编码语言查询和聚合数据。MongoDB 查询 API 包含以编程方式生成查询和构建聚合管道的驱动程序，因而无需从头开始学习新的查询语言。

获取多语言驱动程序

了解 MongoDB

功能概览

表达式查询

使用一系列强大的运算符（例如 $elemMatch 和 $geoWithin）根据条件组合（包括嵌套数组和对象内的组合条件）查询和更新一个或多个文档。

多种索引类型

无论字段嵌套的深度如何，都可以优化查询多种索引类型。

地理空间和图数据

轻松查询地理空间数据，并使用 $graphLookup 等运算符来遍历已连接的数据集。

跨集合和数据库查询

使用 $lookup 和 $unionWith 加入及融合多个集合，或使用 Atlas Data Federation 跨数据库查询，以便进行深入分析和探索。

就地转换和分析数据

使用聚合管道以简单、模块化的方式构建复杂的转换。

专为文档模型而构建的全文检索

部署高级的全文检索功能，无需管理额外的基础设施。

变更流

构建实时的事件驱动型应用程序，以通过触发服务器端逻辑对数据库变更做出反应。

按需增量物化视图

预先计算并缓存常见查询，以便在处理新数据时动态更新结果集。

简化数据处理

以直观、熟悉的方式处理数据。通过最少代码运行查询交付数据驱动型应用程序，构建复杂的聚合管道并增强应用程序，所有这些均以您所熟悉的语言进行。

查看文档

让表达式查询变得简单

轻松查询多种数据类型，包括地理空间、图、时间序列以及嵌套数组和对象，同时还能使用首选语言完成所有操作。

可组合的数据库内转换

构建模块化、多阶段聚合管道，从而运行强大的分析。跨集合和数据库查询，且转换数据从而显示见解并做出更明智的决策。

全文搜索、时间序列等

使用单一界面创建支持搜索工作负载、时间序列工作负载和事件驱动型应用程序的复杂查询。节省集成多个 API 或复杂 ETL 的时间。

让表达式查询变得简单

轻松查询多种数据类型，包括地理空间、图、时间序列以及嵌套数组和对象，同时还能使用首选语言完成所有操作。

Python

Javascript

Java

MongoShell

Code Snippet

xxxxxxxxxx
 
#Querying on arraysdb.inventory.find({    “Size.h”: {$lt: 15}, “size.uom”: “in”, status: “D”})​#Geospatial queriesdb.places.find(   {     location:       { $near:          {            $geometry: { type: "Point",  coordinates: [ -73.9667, 40.78 ] },            $minDistance: 1000,            $maxDistance: 5000          }       }   })​

可组合的数据库内转换

构建模块化、多阶段聚合管道，从而运行强大的分析。跨集合和数据库查询，且转换数据从而显示见解并做出更明智的决策。

Python

Javascript

Java

MongoShell

Code Snippet

lonely_ne = db.lonely_neighborhoods
popular_ne = db.popular_neighborhoods

pipeline = [
#filter neighborhoods where the population is known
    {"$match": {"population": {"$ne": "unknown"}}}, 
#perform a union with the collection containing popular neighborhoods with an embedded pipeline for filtering neighborhoods where the population is known, and removing documents where the city is an industrial township
    {"$unionWith": {"coll": "popular_neighborhoods", 
			"pipeline": [
					{"$match": {"population": {"$ne": "unknown"}}},
					{$redact: {$cond: {
                            				if: { $eq: [ "$type", "Industrial township"]},
                            		then: "$$PRUNE",
                            		else: "$$DESCEND" }}
                			}
				] }}, 
#finally we are grouping neighborhoods by climate to calculate the total population in popular neighborboods that are not in an industrial township
    {"$group": {"_id": "$climate", "totalPopulation": {"$sum": {"$toLong": "$population"}}}}
]

result = lonely_ne.aggregate(pipeline)

xxxxxxxxxx
 
lonely_ne = db.lonely_neighborhoodspopular_ne = db.popular_neighborhoods​pipeline = [#filter neighborhoods where the population is known    {"$match": {"population": {"$ne": "unknown"}}}, #perform a union with the collection containing popular neighborhoods with an embedded pipeline for filtering neighborhoods where the population is known, and removing documents where the city is an industrial township    {"$unionWith": {"coll": "popular_neighborhoods",             "pipeline": [                    {"$match": {"population": {"$ne": "unknown"}}},                    {$redact: {$cond: {                                            if: { $eq: [ "$type", "Industrial township"]},                                    then: "$$PRUNE",                                    else: "$$DESCEND" }}                            }                ] }}, #finally we are grouping neighborhoods by climate to calculate the total population in popular neighborboods that are not in an industrial township    {"$group": {"_id": "$climate", "totalPopulation": {"$sum": {"$toLong": "$population"}}}}]​result = lonely_ne.aggregate(pipeline)​

全文搜索、时间序列等

使用单一界面创建支持搜索工作负载、时间序列工作负载和事件驱动型应用程序的复杂查询。节省集成多个 API 或复杂 ETL 的时间。

Python

Javascript

Java

MongoShell

Code Snippet

xxxxxxxxxx
 
#running a full-text search query movies = db.movies​pipeline = [    {"$search": {"near": {"path": "released", "origin": {"$date": "2011-09-01T00:00:00.000+00:00"}, "pivot": 7776000000}}}},    {"$project": {"_id": 0, "title": 1, "released": 1}}]result = movies.aggregate(pipeline)​#analyzing time series with window functions​cakeSales = db.cakeSales​pipeline = [    {"$setWindowFields": {        "partitionBy": {"$year": "$orderDate"},        "sortBy": {"orderDate": 1},        "output": {"cumulativeQuantityForYear": {"$sum": "$quantity", "window": {"documents": ["unbounded", "current"]}}}    }    }]​result = cakeSales.aggregate(pipeline)for res in result:    print(res)​

Python

Javascript

Java

MongoShell

Code Snippet

xxxxxxxxxx
 
#Querying on arrays
db.inventory.find({
    “Size.h”: {$lt: 15}, “size.uom”: “in”, status: “D”
})
​
#Geospatial queries
db.places.find(
   {
     location:
       { $near:
          {
            $geometry: { type: "Point",  coordinates: [ -73.9667, 40.78 ] },
            $minDistance: 1000,
            $maxDistance: 5000
          }
       }
   }
)
​