Base de datos

Qué es

Una base de datos es un conjunto de datos conservados en una
estructura fija, con reglas sobre lo que puede introducirse en ella,
para que el software pueda encontrar, cambiar y comprobar su
contenido; la misma expresión, a menudo abreviada como DB, también
se utiliza de manera imprecisa para el programa que los conserva,
cuyo nombre exacto es sistema de gestión de bases de datos o DBMS.
El glosario del NIST recoge dos definiciones, y la más amplia
describe un repositorio de información o datos «que puede ser o no
un sistema tradicional de base de datos relacional».

La expresión cumple tres funciones, y una conversación no avanza
cuando dos personas se refieren a cosas distintas. Designa los
datos: los clientes, pedidos y lecturas de sensores que conserva una
organización. Designa el motor que los almacena: PostgreSQL, SQL
Server, SQLite. Y dentro de un servidor designa un contenedor entre
varios. El tutorial de PostgreSQL establece los niveles: las filas
con columnas con nombre y tipo forman tablas, las tablas se agrupan
en bases de datos y las bases de datos que una instancia de servidor
gestiona conjuntamente forman un clúster de bases de datos. SQL
Server establece la misma distinción entre una instancia y las bases
de datos que aloja. «La base de datos va lenta» puede referirse a
una tabla, un contenedor o una máquina completa.

La mayoría de los motores de uso cotidiano son relacionales: guardan
los datos como relaciones, el término matemático para las tablas, y
aceptan preguntas en SQL. El tutorial de PostgreSQL menciona otras
organizaciones. Los archivos y directorios de un sistema de tipo
Unix forman una base de datos jerárquica, y las bases de datos
orientadas a objetos llegaron después. Redis se define como un
servidor de estructuras de datos: en lugar de tablas ofrece cadenas,
hashes, listas, conjuntos y otros tipos nativos, utilizados para
caché, colas y procesamiento de eventos.

Los motores también difieren en dónde se ejecutan. Un motor
cliente/servidor es un proceso de larga duración al que muchos
programas acceden por la red. Un motor integrado es una biblioteca
dentro de un programa, y SQLite guarda una base de datos completa,
incluidas tablas, índices, disparadores y vistas, en un archivo
corriente; el proyecto afirma que compite con `fopen()` más que con
las bases de datos de servidor. La diferencia se aprecia en cómo se
conecta un programa:

```sh
i# client/server: connect to a service that is already running		engineer.company	70
psql "host=db.internal dbname=shop user=app"

i# embedded: the program opens a file and the engine runs inside it		engineer.company	70
sqlite3 shop.db
```

Una tercera familia se construye para el análisis. BigQuery guarda
cada columna por separado, mientras que muchos sistemas
tradicionales conservan juntos en disco los campos de una fila. El
almacenamiento por filas resulta adecuado para buscar un registro;
el almacenamiento por columnas, para sumar un campo a lo largo de
millones de filas, porque la consulta lee esa columna y deja las
demás sin tocar.

Por qué importa

Los archivos también contienen datos. Una base de datos añade
garantías sobre esos datos para el momento en que muchos programas
los utilizan a la vez.

La primera garantía es una visión coherente con uso concurrente.
PostgreSQL da a cada sentencia una instantánea de los datos tal como
estaban en un momento, un diseño llamado control de concurrencia
multiversión o MVCC, de modo que una lectura nunca espera a una
escritura y una escritura nunca espera a una lectura. SQLite admite
cualquier número de lectores a la vez y un escritor en cada
instante, mientras los demás escritores esperan su turno. Ambos se
adaptan a distintos números de escritores, y ese número determina
buena parte de la elección.

La segunda garantía es que los datos conservan su estructura. Un
esquema establece qué columnas tiene una tabla y qué tipo contiene
cada una; las claves y restricciones establecen qué filas pueden
existir. Cuando la base de datos aplica esas reglas, todos los
programas que escriben en ella las obedecen. Cuando las reglas solo
están en el código de la aplicación, el primer programa que se las
salta deja filas frente a las que todas las consultas posteriores
tienen que protegerse.

La tercera es un lenguaje compartido, con acentos. SQL es el
estándar ISO/IEC 9075, revisado por última vez como SQL:2023; aun
así, el apéndice de conformidad de PostgreSQL señala que ningún
sistema actual afirma cumplir íntegramente su núcleo, Core. Un
esquema y sus consultas pertenecen a su motor, y trasladarlos a otro
es una migración con sus propias pruebas.

La propia documentación de SQLite convierte la elección de motor en
una breve lista de comprobación: si los datos están al otro lado de
una red respecto al código que emite el SQL, si muchos procesos
escriben en el mismo instante o si el contenido se acerca al orden
de los terabytes, cualquiera de esas condiciones apunta a
cliente/servidor; en caso contrario, SQLite es la respuesta más
sencilla. Los informes a gran escala añaden una pregunta más: si las
lecturas intensivas deben ejecutarse sobre una copia analítica
separada, alimentada por ETL, para que un informe largo nunca
compita con las consultas cuyos resultados esperan los clientes.

Cómo se aplica en la práctica

En el extremo de mayor escala, desde un puesto de ingeniería de
bases de datos en una empresa tecnológica en rápido crecimiento se
crearon, gestionaron y optimizaron 100+ bases de datos en
PostgreSQL, Microsoft SQL Server y Google BigQuery, la mayoría con
datos GIS y series temporales, como lecturas de sensores, registros
y métricas en tiempo real. El trabajo produjo esquemas normalizados
y desnormalizados para PostgreSQL y SQL Server, con indexación
espacial (PostGIS en el caso de PostgreSQL) y particionamiento
temporal, mientras que BigQuery contenía grandes volúmenes de series
temporales en tablas con particionamiento temporal y agrupación
(clustering). Una vez que esas bases de datos contaron con índices,
vistas materializadas y caché, las consultas GIS y de series
temporales se respondían en un 40–60 % menos de tiempo, y la
monitorización automatizada redujo el tiempo de inactividad un 50 %.

En un sistema más pequeño, en una etapa documentada de su
desarrollo, un único archivo SQLite contenía los datos en los que se
basaban un CV, una hoja de referencias, una cartera de trabajos y
una carta de presentación en tres idiomas. Esa base de datos tenía
veintitrés tablas, y un comando las construía en diecinueve pasos
ordenados, cualquiera de los cuales podía repetirse de forma segura.
Se generaban seis formatos de salida a partir de la base de datos
mediante 41 módulos Python que sumaban 10.580 líneas. Un documento
dirigido a un tipo de lector era «una consulta en lugar de una
copia»: un perfil seleccionaba qué logros aparecían y en qué orden.
La contrapartida era que entonces un documento solo podía proceder
de esa base de datos y de ningún otro lugar. Estas cifras de
implementación describen aquella etapa registrada, no el repositorio
actual ni su cobertura de idiomas.

Entre esos tamaños se encuentra la pregunta a la que llega toda base
de datos con mucha actividad, y una nota sobre optimizar antes de
fragmentar los datos entre servidores responde con un orden de
trabajo: observar, ajustar, sacar las lecturas de la instancia
principal, particionar las tablas alrededor del punto de mayor carga
y fragmentar entre servidores solo cuando una máquina esté llena de
trabajo que merezca la pena. Observar significa preguntar al propio
PostgreSQL: `pg_stat_statements` para las sentencias que más cuestan
en total, y después `EXPLAIN (ANALYZE, BUFFERS)` para ver qué hace
la más costosa.

Dónde surgen los problemas

La mayoría de los problemas de una base de datos empiezan en una
decisión temprana, cuando había pocos datos y parecía que la
decisión no tenía coste.

Dos copias de un hecho dejan de coincidir. El generador de CV
anterior existe porque los datos conservados como cuatro documentos
se corrigen cuatro veces, hasta que dos de ellos discrepan y nada
indica cuál está actualizado. Lo mismo ocurre con una tabla
exportada a una hoja de cálculo y editada allí, o con un segundo
servicio con su propia lista de clientes. Dé a cada dato un único
almacenamiento responsable de él y haga que todas las demás copias
indiquen de dónde procede y de cuándo es. La caché de la nota sigue
estrictamente esta regla: puede decir a un comprador que un artículo
está totalmente reservado, y todas las respuestas afirmativas siguen
viniendo de la base de datos.

Llegan más máquinas antes de que nadie lea los planes. Dividir los
datos entre servidores reparte las sentencias lentas entre más
hardware sin abaratar ninguna, y añade un coste permanente a todo lo
demás: como enumera la nota, cada migración, copia de seguridad,
restauración e informe se ejecuta una vez por fragmento, y una unión
entre fragmentos pasa a ser código de aplicación. Lea primero
`pg_stat_statements` y los planes, y conserve lo que muestran como
referencia inicial.

Una lectura llega a una copia retrasada. Una réplica en streaming
asume parte de las lecturas de la instancia principal y va algo por
detrás de ella. Un usuario que acaba de escribir algo y después lo
lee de la réplica puede ver el valor anterior. Lea las escrituras
recientes del propio usuario desde la instancia principal.

Los informes y los clientes comparten un motor. Un informe que
recorre dos años de historial ocupa memoria y disco que necesitan
las consultas de la propia tienda, y las personas que compran lo
notan. Traslade el análisis intensivo a una copia en un almacén de
datos y reserve la base de datos operativa para las muchas lecturas
y escrituras pequeñas a las que da servicio.

Lecturas adicionales

  * Glosario del NIST: base de datos — dos definiciones breves de
publicaciones del NIST, una de las cuales admite bases de datos que
no son relacionales.

  * Tutorial de PostgreSQL: conceptos — tablas, filas, columnas,
bases de datos y clúster de bases de datos, en una página.

  * PostgreSQL: introducción a MVCC — cómo permiten las instantáneas
que lectores y escritores trabajen sin bloquearse entre sí.

  * PostgreSQL: conformidad con SQL — las partes y versiones de
ISO/IEC 9075 y lo que significa cumplir el núcleo Core.

  * Usos apropiados de SQLite — dónde encaja un motor integrado,
dónde encaja mejor uno cliente/servidor y una lista de comprobación
para decidir.

  * Descripción general del almacenamiento de BigQuery —
almacenamiento orientado a filas y a columnas, y por qué el análisis
favorece al segundo.

hEsta página en la web	URL:https://engineer.company/es/glossary/database/	engineer.company	70
