비정형 또는 반정형 데이터의 폭발적인 증가로 인해 전통적인 관계형 데이터베이스의 고정 스키마 제약이 한계에 부딪히는 경우가 많습니다. 이러한 상황에서 JSON 형태의 유연한 문서 구조를 지원하는 MongoDB 는 대표적인 NoSQL 솔루션으로 자리 잡았습니다. Python 이나와 함께 사용할 때 가장 널리 채택되는 공식 드라이버는 PyMongo입니다. 이 도구는 MongoDB 서버와의 통신을 담당하며, 복잡한 설정 없이 Python 고유의 문법으로 데이터의 생성, 읽기, 수정, 삭제(CRUD) 작업을 수행할 수 있게 해줍니다.
환경 설치 및 준비
PyMongo 은 표준 파이썬 패키지 관리자(pip) 를 통해 설치가 가능합니다. 국내 네트워크 환경에서는 특정 미러 서버를 사용하여 다운로드 속도를 높이는 것이 권장됩니다.
pip install pymongo
# 또는 빠른 설치를 위해
pip install pymongo -i https://pypi.tuna.tsinghua.edu.cn/simple
설치가 완료되면 반드시 실행 중인 MongoDB 서버 인스턴스가 존재하며, 네트워크 접근 권한이 열려 있는지 확인해야 합니다. 기본 포트 번호 27017 을 사용한다면 추가적인 포트 정의 없이도 연결이 시도될 수 있습니다.
연결 및 기본 데이터 작업
가장 우선적인 단계는 클라이언트를 초기화하여 MongoDB 에 접근하는 것입니다. 이후에는 구체적인 데이터베이스 이름과 테이블에 해당하는 컬렉션을 명시적으로 선택합니다.
from pymongo import MongoClient
# 로컬 호스트에 접속합니다. URI 형식을 따릅니다.
db_client = MongoClient('mongodb://localhost:27017/')
# 특정 데이터베이스 (db) 와 컬렉션 (store) 을 참조합니다.
# 요청 시 아직 생성되지 않았다면 자동으로 새로운 공간을 생성합니다.
target_db = db_client['inventory_system']
inventory_col = target_db['products']
# 데이터 삽입 (Document 형식 입력)
product_doc = {
'sku': 'PRD-889',
'item_name': '노트북 프로',
'qty': 50,
'location': '창고 A',
'price': 1500000
}
result = inventory_col.insert_one(product_doc)
print(f"등록된 ID: {result.inserted_id}")
단일 문서뿐만 아니라 여러 개의 데이터를 한 번에 입력하는 insert_many 메서드를 사용하면 대량 데이터 마이그레이션 시 성능을 크게 높일 수 있습니다.
검색 조건 및 고급 필터링
데이터 조회 시 단순히 전체를 가져오는 것보다 조건에 맞는 레코드를 파이프라인 방식으로 추출하는 것이 일반적입니다. 연산자를 사용하여 범위를 지정하거나 필드 존재 여부를 확인할 수 있습니다.
# 특정 창고에 있는 상품 중 재고가 50 개 미만인 목록 찾기
low_stock_items = inventory_col.find({
'location': '창고 A',
'qty': {'$lt': 50}
})
for item in low_stock_items:
print(f"품목: {item['item_name']}, 재고: {item['qty']}")
여기에 더해 색인 (Index) 을 생성해두면 검색 성능이 극적으로 향상되며, 소팅이나 페이지네이션 또한 기본적으로 지원합니다.
집계 파이프라인 활용
전체 데이터에 대한 통계 분석이나 그룹별 통계를 얻으려면 aggregate 메서드를 사용합니다. 이는 SQL 의 GROUP BY 구문에 비유될 수 있으며, 복잡한 연산을 코드로 구현할 때 필수적입니다.
실제 응용: 자동 재고 모니터링 시스템
이전에 언급된 기본 기능을 결합하여 실제 비즈니스 로직에 적용 가능한 모델을 만들어 보겠습니다. 이번 예시는 입출고 내역을 등록하고, 특정 창고별 총 재고를 집계하는 방식입니다.
import datetime
def record_movement(product_code, amount, warehouse_id):
"""재고 이동 내역 저장"""
doc = {
'ref_code': product_code,
'delta': amount,
'warehouse': warehouse_id,
'updated_at': datetime.datetime.now().isoformat()
}
inventory_col.insert_one(doc)
return True
def get_warehouse_summary():
"""창고별 입고 총량 집계"""
pipeline = [
{"$match": {"warehouse": "창고 B"}},
{"$group": {
"_id": "$warehouse",
"total_inflow": {"$sum": "$delta"}
}}
]
return list(inventory_col.aggregate(pipeline))
# 테스트 루프
record_movement('IPHONE-13', 100, '창고 A')
record_movement('SAMSUNG-Z', 50, '창고 A')
summary_data = get_warehouse_summary()
print(summary_data)
# 리소스 정리
db_client.close()
위와 같은 구조를 통해 Python 애플리케이션은 복잡한 데이터 처리 로직을 MongoDB 드라이버 호출만으로 구현할 수 있습니다. 구조적 제약이 없는 데이터 모델은 빠르게 변화하는 요구사항을 가진 웹 서비스, IoT 센서 로그 저장 등 다양한 분야에서 확장성을 제공합니다.