3. Document stores

0. Data filtering: recap

Wat is een “mapreduce” functie nu weer precies? Weet je nog, in het eerstejaarsvak BES, in Python? Stel, we hebben een array [1, 2, 3, 4] en willen alle elementen verdubbelen. Dat kan erg eenvoudig met een list(map(lambda...)) statement:

range = [1, 2, 3, 4]
result = list(map(lambda x: x * 2, range))
print(result)

Hier gebruikten we een “lambda” om voor elk element een functie los te laten, die dat element transformeert, ofwel “mapt”. Python’s map() functioneert exact hetzelfde als JavaScript’s map()—evenals reduce() en filter(). Omdat we met een JS-based document store gaan werken is het belangrijk om te weten hoe je bovenstaande principes in JavaScript uitvoert.

Oefening 1

Zoek leerlingen ouder dan 20 en geef hun naam terug. De leerlingen zitten in de volgende JS array: const studenten = [{age: 11, name: 'jos'}, {age: 21, name: 'jef'}].

Oplossing:

studenten.filter(function(student) {
    return student.age > 20
}).map(function(student) {
    return student.name
})
// kan ook met oneliner: studenten.filter(s => s.age > 20).map(s => s.name)

filtered = filter(lambda student: student.age > 20, studenten)
list(map(lambda student: student.name, filtered))

Kopieer bovenstaand voorbeeld in je browser developer console en kijk wat er gebeurt. Het resultaat zou een openklapbare Array [ "jef" ] moeten zijn.

We chainen (sequentieel combineren) hier dus filter() en daarna map(). De filter() geeft student Jef terug in een array ([{age: 21, name: 'jef'}]), waarna de map() voor elk element in die array (maar eentje), een transformatie doorvoert: van {age: 21, name: 'jef'} naar 'jef' via student.name.

Oefening 2

Wat is de som van de leeftijden van de studenten? 11 + 21 = 32. Hoe kunnen we dit functioneel schrijven met behulp van een reduce()?

Oplossing:

studenten.map(function(student) {
   return student.age
}).reduce(function(age1, age2) {
    return age1 + age2
})
// kan ook met oneliner: studenten.map(s => s.age).reduce((a, b) => a + b)

mapped = map(lambda student: student.age, studenten)
reduce(lambda age1, age2: age1 + age2, mapped)

Kan jij bedenken waarom we hier een map() nodig hebben voor de reduce()?

Meer informatie: zie Mozilla Developer web docs: map() en reduce/filter. Wanneer je jezelf familiair gemaakt hebt met deze drie functionele (en essentiele!) data manipulatie methodes kan je overgaan tot de hoofdzaak van dit hoofdstuk—CouchDB en noSQL queries.

1. Eenvoudige CouchDB Queries

Lui in die zetel liggen, en vanaf de bank met gemak query’s lanceren? Geen probleem met CouchDB, een open source NoSQL JSON-based document store.

Mango

CouchDB heeft een eenvoudige ingebouwde query syntax genaamd Mango. Documentatie op https://github.com/cloudant/mango en http://127.0.0.1:5984/_utils/docs/intro/api.html#documents. Selecteer een database, klik op “run a query with Mango”:

{
   "selector": {
      "year": 3
   }
}

De selector attribute bepaalt op welke keys er wordt gefilterd. Indexen leggen op zwaar belaste “kolommen” (keys dus) is in geval van miljarden records zeker geen overbodige luxe.

Mango werkt met een selector syntax (zie documentatie) die impliciet bovenstaande omzet naar {"year": {"$eq": 3}}. Er zijn ook andere dollar-based operatoren. Geneste attributes kan je raadplegen met de . separator: {"student.name": {"eq": "Joske"}}.

Een ander voorbeeld: Zoek leerlingen ouder dan 20 en geef hun naam terug:

function(doc) {
    if(doc.age > 20) {
        emit(doc._id, doc.name);
    }
}

De functie emit(key, value) beslist in welke hoedanigheid een document wordt teruggeven. In dit geval geven we de doc.name terug: de naam van de leerling. We filteren met een simpele if() in de code zelf! Dit kunnen we ook functioneel schrijven in pure JavaScript, los van CouchDB en zijn Mango API, met filter()—zie de data filtering introductie hierboven.

Nog een ander voorbeeld: van 10 rijen de som teruggeven. In SQL doe je dit met een GROUP BY en COUNT, maar daar bestaat geen alternatief voor in NoSQL, behalve de kracht van JS reduce():

function(keys, values, rereduce) {
    return values.reduce(function(a, b) {
        return a + b
    })
}

Opnieuw, hetzelfde kan ook met “plain old JavaScript”, zoals in de data filtering recap aangegeven ([1, 2, 3, 4].reduce(a, b => a + b)).

Je kan in Mango de map() en de reduce() uiteraard ook combineren, net zoals je in JS kan chainen. Hieronder berekenen we bijvoorbeeld de gemiddelde leeftijd van “oudere” studenten (ouder dan 20 jaar):

function map(doc) {
    if(doc.age > 20) {
        emit(doc._id, doc.age);
    }
}
function reduce(keys, values, rereduce) {
    return sum(values) / values.length;
}

LET OP:

reduce() schiet (misschien) in actie als map() nog bezig is. We gaan hier later nog verder op in in NoSQL - Advanced queries.

De CouchDB API interface: alles via HTTP(S)

curl is een snelle cmd-line tool waarbij je via -X kan meegeven of het over een HTTPs GET, POST, PUT, … gaat. De DB locatie en poort met het juiste endpoint zijn hier de belangrijkste factoren. Een bepaald document raadplegen doe je met:

curl -X GET http://127.0.0.1:5984/[database]/[id]

Het resultaat is altijd een geldig JSON object (ook al geef je een ongeldige ID mee): curl -X GET "http://127.0.0.1:5984/courses/aalto-university;bachelor-data-science;professional-development;1"

{"_id":"aalto-university;bachelor-data-science;professional-development;1","_rev":"1-f7872c4254bfc2e0e5507502e2fafd6f","title":"Professional Development","url":"https://oodi.aalto.fi/a/opintjakstied.jsp?OpinKohd=1125443391&haettuOpas=-1","university":"Aalto University","country":"Finland","category":"professional","ECTS":5,"year":1,"optional":true,"skills":["motivate self","oral communication","self-directed learning","self-reflection","give/receive feedback","set/keep timelines","show initiative"],"course":"Bachelor Data Science","lo":"<br/>Learning Outcomes   <br/>Being able to effectively communicate one's strenghts and professional capacities<br/>Finding one’s own academic and professional interests and taking initiative in one’s own learning<br/>Planning and prototyping one's own professional development<br/> <br/>Content     <br/>The course is integrated to the Aaltonaut program to promote reflection, skill articulation and initiative. The course comprises workshops on different themes related to developing professional skills, independently building a learning portfolio, and taking part in feedback, reflection and goal setting activities.<br/><br/> "}

Indien ongeldig: {"error":"not_found","reason":"missing"}.

Indien geen toegang: {"error":"unauthorized","reason":"You are not authorized to access this db."}. Zie “LET OP” hieronder—gebruik het -u argument.

2. Oefeningen: Voorbereidingswerk

1. Download CouchDB via https://couchdb.apache.org.
2. Download de testdatabase JSON file
3. Maak een nieuwe databases aan via de Fauxton Web-based admin tool. Open CouchDB, ga naar “Open Admin Console” of surf zelf naar http://127.0.0.1:5984/_utils/. Maak een database aan genaamd ‘courses’.
4. Importeer de test JSON met curl in cmdnline:

curl -d @dump.db -H "Content-Type: application/json" -X POST http://127.0.0.1:5984/courses/_bulk_docs

LET OP:

1. Bij het aanmaken van een database kan je kiezen tussen partitioned en non-partitioned. Kies hiervoor non-partitioned.
2. Het kan zijn dat CURL een security fout geeft. Bij het installeren van CouchDB moet je een admin username/password meegeven. Voeg aan het einde van je curl commando dit toe: -u username:wachtwoord.

Nadien kan je in Fauxton op F5 drukken en zou je dit moeten zien:

Ik heb voor jullie de dump genomen door het omgekeerde (exporteren) te doen:

curl -X GET http://127.0.0.1:5984/courses/_all_docs\?include_docs\=true > dump.db

(Voor mensen op Windows-curl: verander \ naar /. Ook; bij meegeven van JSON data: enkele quotes '' vervangen door dubbele "" en dubbele in de enkele escapen met backlash ").

Daarna volgt wat post-processing (rows wordt docs, elke doc moet in de root array zitten en _rev moet weg) om tot bovenstaande dump.db filte te komen. Dit hebben wij handmatig voor jullie gedaan, zodat de downloadbare file klaar is om te importeren.

3. Oefeningen met Fauxton/Curl

1. Schrijf een Mango query die cursussen ophaalt waarbij het aantal ECTS punten groter is dan 5.
2. Hoe voer je de query uit oefening 1 uit, zonder de Admin console, maar met curl?
3. Selecteer alle documenten die als skill de waarde self-reflection én show initiative bevatten.
4. Probeer zelf een dump te nemen van je eigen database zoals hierboven beschreven, met het _all_docs endpoint. Wat gebeurt er als je die dump opnieuw wilt importeren via het _bulk_docs endpoint?
5. Maak een nieuwe database genaamd studenten. POST via curl enkele nieuwe documenten, met als template { name: $naam, age: $age, favouriteCourses: [$course1, $course2]} naar deze DB. Controleer in Fauxton of de records correct zijn ingegeven. Verzin zelf wat Mango queries om studenten te filteren.
6. Maak een index aan op age voor je studenten database. Merk op dat indexes, zichtbaar in http://127.0.0.1:5984/_utils/#database/studenten/_index ook worden beschouwd als documenten op zich!

Tip: CouchDB heeft een eenvoudige ingebouwde query syntax genaamd Mango. Documentatie op https://github.com/cloudant/mango en https://docs.couchdb.org/en/stable/api/database/find.html. Lees eerst na hoe dit in elkaar zit!

4. Java Client API

Als je geen toegang hebt tot de admin console, of je wenst vanuit een Java programma records weg te schrijven naar een Couch database (of query’s uit te voeren), dan heb je de Java API nodig.

In principe kan je met eender welke HTTP client REST calls uitvoeren en de responses zelf verwerken. Om het jezelf gemakkelijker te maken, gebruiken we hier ter illustratie LightCouch.

Lees de LightCouch Getting Started guide. Maak een nieuw gradle 6 project met de volgende dependencies:

dependencies {
    implementation group: 'org.lightcouch', name: 'lightcouch', version: '0.2.0'
}

In je java/main/resources map dien je een couchdb.properties file aan te maken die verwijst naar de DB URL/poort/naam (zie getting started):

couchdb.name=testdb
couchdb.createdb.if-not-exist=true
couchdb.protocol=http
couchdb.host=127.0.0.1
couchdb.port=5984
couchdb.username=
couchdb.password=

Vanaf dan is het heel eenvoudig: Maak een CouchDbClient instantie aan. Nu kan je .save(), .shutdown() en .find() uitvoeren. Wat kan je bewaren? POJO (Plain Old Java Objects) klassen—of in geval van Kotlin, data objects—waarbij alle members automatisch worden geserialiseerd.

LightCouch oefeningen

1. Maak zoals hierboven beschreven een nieuw gradle project aan (IntelliJ?) en voeg LightCouch toe als dependency. Probeer naar een nieuwe database enkele objecten weg te schrijven. Gebruik hiervoor een Student klasse met als velden name en age (respectievelijk String en int als type). Controleer of dit is aangekomen in de admin console. Dat ziet er dan hopelijk zo uit:

{
  "_id": "387a34be062140e4be1390e846242114",
  "_rev": "1-742f438439fd68bc6c67ca0d615f1469",
  "name": "Joske",
  "age": 10
}

2. Probeer de views en query’s even uit. Zoek bijvoorbeeld alle studenten in List<Student> en druk de namen af door middel van println().

Denkvragen

1. Wat is het verschil tussen een key/value store en een document store?
2. Kan je een verklaring geven waarom NoSQL databases zonder DB SCHEME werken, als je weet dat bijvoorbeeld CouchDB plain JSON objecten kan bewaren?
3. Wat is het verschil tussen het bewaren van een JSON object via Curl en het bewaren van een POJO via LightCouc (De Client API verschillen zelf niet in rekening gebracht)?