📚 Pré-requisitos Teóricos: este projeto aplica conceitos ensinados em Módulo 08: Bancos de Dados SQL e NoSQL. Recomendado revisar antes de começar.

🍃 Modelagem NoSQL Polimórfica & Aggregations no MongoDB

v2.0 — Esquemas Dinâmicos, Documentos Embutidos e Pipelines Analíticos

Trilha de Engenharia de Dados & Bancos de Dados — Projeto 2 de 4

• v1: Modelagem Relacional 3FN · Constraints · Triggers · PostgreSQL 16
• ➡️ v2 (este): Modelagem NoSQL · Aggregation Pipelines · Índices Multikey · MongoDB 7.0
• v3: Estratégias de Cache · Cache-Aside · Invalidação · Redis 7.2
• v4: DBA Enterprise · EXPLAIN ANALYZE · Particionamento · PgBouncer · RLS

🎓 Nível Profissional Simulado: Engenheiro de Software Pleno / Data Engineer. Modelagem NoSQL não é “jogar JSON sem regras”. Um engenheiro sênior sabe decidir com precisão matemática entre Embedding (embutir para alta leitura atômica) vs Referencing (referenciar para evitar documentos acima de 16MB) e constrói aggregation pipelines de alta performance.

🎯 Objetivo

Modelar e implementar uma base NoSQL orientada a documentos para o catálogo polimórfico de um e-commerce no MongoDB 7.0, utilizando documentos aninhados, criação de índices compostos e multikey, e execução de um Aggregation Pipeline para cálculo analítico de métricas de satisfação e vendas.

🏗️ Estrutura do Documento Polimórfico BSON

graph TD
    classDef root fill:#00684A,stroke:#001E2B,stroke-width:2px,color:#fff;
    classDef branch fill:#023430,stroke:#00ED64,stroke-width:1px,color:#fff;
    classDef leaf fill:#13AA52,stroke:#001E2B,stroke-width:1px,color:#fff;

    Doc["📦 Documento Produto (_id, nome, categoria, preco)"]:::root
    
    Doc --> Tags["🏷️ tags: Array<string> (Multikey Index)"]:::branch
    Tags --> T1["'tv'"]:::leaf
    Tags --> T2["'oled'"]:::leaf
    Tags --> T3["'4k'"]:::leaf

    Doc --> Specs["⚙️ especificacoes: Object (Polimórfico)"]:::branch
    Specs --> S1["resolucao: '3840x2160'"]:::leaf
    Specs --> S2["portas_hdmi: 4"]:::leaf

    Doc --> Reviews["⭐ avaliacoes: Array<Object> (Embedded)"]:::branch
    Reviews --> R1["{ usuario: 'carlos@email.com', nota: 5, comentario: '...' }"]:::leaf
    Reviews --> R2["{ usuario: 'ana@email.com', nota: 4, comentario: '...' }"]:::leaf

🧑‍💼 Fase 1 — Levantamento de Requisitos

O Briefing do Cliente (Equipe de Catálogo e Produtos)

“Nosso e-commerce vende desde celulares até roupas e livros. No banco relacional antigo, cada categoria nova exigia alterar tabelas ou criar tabelas extras de atributos (EAV), o que deixava as consultas cheias de JOINs lentos. Além disso, queremos que cada produto guarde suas próprias avaliações de clientes e suas tags de busca, e precisamos de um relatório analítico que calcule a nota média e o total de produtos por categoria sem travar o banco.”

Requisitos Funcionais (RF) e Não-Funcionais (RNF)

📋 Fase 2 — Backlog & User Stories

🌿 Fase 3 — Engenharia em Equipe (Git Flow & Setup)

# Branch da funcionalidade
git checkout -b feature/US04-aggregation-pipeline

# Subir o MongoDB isolado via Docker
docker-compose up -d

# Conectar via Mongosh
docker exec -it db_nosql_mongo mongosh -u admin -p secretpassword --authenticationDatabase admin

🛠️ Fase 4 — Implementação Passo a Passo

1. Ingestão do Esquema Polimórfico (scripts/01_init.js)

db.produtos.insertMany([
  {
    _id: "PROD-001",
    nome: "Smart TV 55 4K OLED",
    categoria: "Eletrônicos",
    preco: 4299.00,
    tags: ["tv", "oled", "4k", "gamer"],
    especificacoes: { resolucao: "3840x2160", portas_hdmi: 4 },
    avaliacoes: [
      { usuario: "carlos@email.com", nota: 5, comentario: "Imagem incrível!" }
    ]
  }
]);

// Índices Multikey em arrays
db.produtos.createIndex({ tags: 1 });

2. Aggregation Pipeline Analítico (aggregation.js)

db.produtos.aggregate([
  { $unwind: "$avaliacoes" },
  { 
    $group: { _id: "$categoria",
      mediaGeralAvaliacoes: { $avg: "$avaliacoes.nota" },
      totalAvaliacoesRecebidas: { $sum: 1 } } }, {$sort: { mediaGeralAvaliacoes: -1 } }
]);

🧭 Decisões Técnicas (ADRs)

• ADR 001: Adoção de modelo de documentos aninhados para eliminar a complexidade do padrão EAV relacional e garantir leitura atômica em sub-milissegundos.

🚀 Como Executar no Laboratório

1. Abra o terminal na pasta deste projeto

No seu editor/IDE, abra a pasta deste projeto (File > Open Folder) ou navegue via terminal:

cd db_nosql_02_mongodb_ecommerce

2. Execute a aplicação ou testes

docker-compose up -d
# Executar a suíte de testes automatizados localmente:
python -m unittest tests/test_nosql_ecommerce.py

[!TIP] Dica para execução a partir da raiz do repositório: Se você abriu o repositório completo no VS Code, basta navegar até a pasta antes de executar: cd proj_aplicacoes_full_stack/projetos/db_nosql_02_mongodb_ecommerce

🧪 Testes de Validação & Asserções

// 1. Validar se o índice de tags é utilizado (deve retornar IXSCAN)
db.produtos.find({ tags: "gamer" }).explain("executionStats");

// 2. Executar o pipeline de agregação
load('/scripts/../aggregation.js');

✅ Checkpoint Final

1. O catálogo polimórfico aceita produtos de diferentes tipos sem quebra de esquema.
2. O Aggregation Pipeline desdobra arrays via $unwind e agrega médias via $group.
3. Os índices multikey evitam varreduras completas de coleção (COLLSCAN).
4. Suíte de testes automatizados com 100% de aprovação.
5. Docker Compose pronto para reprodução imediata.