27 de outubro de 2026
Desenvolvimento de Sistema para Migração de Dados de Bancos Relacionais para NoSQL
Lucas José Martins de Lara; Alexandre Leite Rangel
DOI: 10.22167/2675-6528-202601127
Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Resumo
O avanço das tecnologias de banco de dados impulsionou a necessidade de migração entre sistemas relacionais e NoSQL, devido às diferenças em seus modelos de dados e requisitos de escalabilidade. Desenvolveu-se um sistema automatizado para converter dados de MySQL e PostgreSQL para MongoDB e Cassandra, visando preservar a integridade e estrutura das informações. A pesquisa experimental utilizou a linguagem Python e diversas bibliotecas para analisar esquemas e transformar dados em três modelos distintos: relacional normalizado, relacional esparso e Entidade-Atributo-Valor (EAV), em um ambiente conteinerizado com Docker. Observou-se que o MongoDB apresentou maior velocidade para modelos relacionais tradicionais, sejam eles totalmente preenchidos ou esparsos. Contudo, enfrentou um gargalo crítico de performance no modelo EAV, onde o custo computacional do pivoteamento de dados resultou em tempos de execução significativamente elevados. Em contrapartida, o Cassandra demonstrou ser mais eficiente para o modelo EAV, tanto em velocidade de ingestão quanto em economia de armazenamento em disco. Concluiu-se que não existe uma solução universal para a migração NoSQL, e a escolha da tecnologia de destino deve ser guiada pela natureza estrutural dos dados de origem. O MongoDB mostrou-se ágil para tabelas normalizadas, enquanto o Cassandra consolidou-se como a opção ideal para cenários de alta flexibilidade e esparsidade. A ferramenta funcional e as métricas comparativas geradas contribuíram para a tomada de decisão estratégica em projetos de modernização de infraestruturas de dados.
Palavras-chave: Automação; Cassandra; Escalabilidade; MongoDB; Modelos de dados.
1. Introdução
A gestão de dados tem experimentado uma evolução notável ao longo das últimas décadas, impulsionada pelo crescimento exponencial do volume, variedade e velocidade das informações. Tradicionalmente, os sistemas de gerenciamento de bancos de dados relacionais (SGBDR) têm sido a espinha dorsal para o armazenamento de dados estruturados, oferecendo um modelo robusto baseado em tabelas interconectadas e na garantia de propriedades ACID (Atomicidade, Consistência, Isolamento e Durabilidade) (Elmasri e Navathe, 2020). Contudo, a demanda crescente por aplicações com alta escalabilidade, flexibilidade de esquema e capacidade de processar grandes volumes de dados não estruturados ou semi-estruturados levou ao surgimento e à popularização dos bancos de dados NoSQL (Not only SQL) (Sethi e Panda, 2024). Embora os SGBDR ainda dominem o mercado, representando mais de setenta por cento dos casos de uso (DB-Engines, 2025), a necessidade de modernizar infraestruturas de dados e aproveitar as vantagens dos paradigmas NoSQL tem gerado uma demanda significativa por soluções de migração eficientes (Sadalage e Fowler, 2013).
A transição de dados entre ambientes relacionais e NoSQL, no entanto, apresenta desafios complexos, principalmente devido às diferenças fundamentais em seus modelos de dados e filosofias operacionais. Bancos de dados relacionais operam com esquemas fixos e normalizados, otimizados para integridade e consultas complexas via SQL. Em contraste, os bancos NoSQL adotam esquemas flexíveis ou sem esquema, priorizando a escalabilidade horizontal e a disponibilidade, com modelos que variam de documentos a grafos, chave-valor e colunas largas (Vilaça et al., 2013). Essa incompatibilidade estrutural, frequentemente referida como “impedância de esquema”, torna a migração uma tarefa árdua, exigindo não apenas a transformação dos dados, mas também a adaptação das aplicações e a preservação da integridade informacional (Ghotiya, 2017). A otimização desse processo requer ferramentas que automatizem a análise de esquemas, a conversão de dados e a adaptação de aplicações, minimizando intervenções manuais e potenciais erros (Sethi e Panda, 2024). Aspectos como desempenho e escalabilidade são cruciais, e a manipulação de grandes volumes de dados em sistemas heterogêneos impõe desafios significativos na organização e na tradução de consultas (Elmasri e Navathe, 2020; Malik et al., 2020).
Para abordar a complexidade da migração, este estudo explora a transformação de dados em três modelos distintos: relacional normalizado, relacional esparso e Entidade-Atributo-Valor (EAV). O modelo normalizado representa a estrutura relacional tradicional, com tabelas bem definidas e chaves primárias e estrangeiras para garantir a integridade referencial. O modelo esparso introduz a variabilidade de dados, simulando cenários reais onde muitos campos podem estar vazios ou nulos, testando a resiliência do sistema de migração a esquemas heterogêneos e incompletos. Por fim, o modelo EAV é uma arquitetura flexível que armazena informações como conjuntos de pares de atributo-valor, em vez de colunas fixas, sendo particularmente útil para dados variados e complexos, como prontuários médicos, onde cada item pode ter propriedades diferentes (Dinu e Nadkarni, 2006). A transposição de dados EAV para paradigmas NoSQL é especialmente desafiadora, pois exige operações de pivoteamento e reestruturação para consolidar atributos esparsos em documentos ou colunas, o que pode impactar significativamente a performance e o consumo de armazenamento.
Diante do cenário de constante evolução tecnológica e da crescente necessidade de flexibilidade na gestão de dados, a migração entre bancos relacionais e NoSQL tornou-se um imperativo estratégico para muitas organizações. A ausência de uma solução universal e a complexidade inerente a essa transição justificam a necessidade de ferramentas que otimizem e padronizem o processo, garantindo a integridade dos dados e a eficiência operacional. Assim, o presente trabalho justifica-se pela contribuição para a modernização de infraestruturas de dados, oferecendo um sistema automatizado para a migração de dados de bancos relacionais (MySQL e PostgreSQL) para bancos NoSQL (MongoDB e Cassandra), com o objetivo de analisar o desempenho e a eficiência de armazenamento em diferentes modelos de dados (normalizado, esparso e EAV) e fornecer métricas comparativas para auxiliar na tomada de decisão estratégica.
2. Material e Métodos
O presente trabalho se caracteriza como uma Pesquisa Experimental, conforme a classificação proposta por Cajueiro (2015). Essa abordagem metodológica foi selecionada por envolver a implementação e o teste de novas tecnologias e algoritmos, especificamente um sistema para migração de dados. A pesquisa experimental permitiu a avaliação sistemática de hipóteses relacionadas ao desempenho e à eficiência de armazenamento em diferentes cenários de migração, fornecendo uma base empírica para as conclusões do estudo.
A execução do processo de migração e os testes de desempenho foram conduzidos em um ambiente de máquina local. Este ambiente consistia em um processador Intel Core i7 de 13ª geração, equipado com 16 GB de memória RAM DDR5, um armazenamento SSD de 1 TB e uma placa de vídeo Nvidia GeForce RTX 4060 GDDR6. A infraestrutura de desenvolvimento e testes foi configurada utilizando containers Docker (versão 27.2.0), o que garantiu o isolamento de cada tecnologia de banco de dados e facilitou a reprodutibilidade dos experimentos realizados.
O estudo focou na migração de dados entre bancos de dados relacionais e NoSQL, utilizando MySQL (versão 8.4.5) e PostgreSQL (versão 15.13.1) como fontes relacionais, e MongoDB (versão 6.0.23) e Cassandra (versão 4.1.9) como destinos NoSQL. A unidade de análise consistiu nos processos de transformação e transferência de dados, avaliando seu desempenho e eficiência de armazenamento em três modelos de dados distintos: normalizado, esparso e Entidade-Atributo-Valor (EAV), visando uma análise comparativa abrangente.
Para simular um ambiente real com grande volume de registros, geraram-se dados sintéticos cadastrais de usuários. Utilizou-se uma classe em Python, denominada FakeData, que empregou a biblioteca Faker (versão 37.3.0) para criar esses dados. Os dados foram estruturados em três modelos distintos, cada um com 100.000 registros, e inseridos inicialmente nos bancos de dados relacionais MySQL e PostgreSQL, servindo como a população de origem para os testes de migração subsequentes.
No primeiro modelo de dados, a estrutura relacional foi normalizada, compreendendo quatro tabelas interconectadas: `usuarios`, `enderecos`, `redes_sociais` e `cartoes_credito`. Todas as colunas dessas tabelas foram preenchidas integralmente, com a tabela `usuarios` contendo sete colunas e utilizando um ID como chave primária. As demais tabelas empregaram chaves estrangeiras para manter a integridade referencial com a tabela principal. O segundo modelo manteve a mesma topologia, mas introduziu esparsidade, com colunas como `idade` e `profissao` na tabela `usuarios` apresentando 15% e 30% de probabilidade de estarem vazias, respectivamente. Outras tabelas tiveram taxas de nulidade variando entre 5% e 40%.
O terceiro modelo de dados adotou a arquitetura Entidade-Atributo-Valor (EAV), consolidando todas as informações em uma única tabela com quatro colunas: `id`, `entidade`, `atributo` e `valor`. O CPF dos usuários foi empregado como identificador lógico na coluna `entidade`, enquanto a coluna `atributo` mapeou dinamicamente dezessete campos biográficos e complementares. Para aumentar a complexidade, aplicaram-se as mesmas probabilidades de inexistência de atributos verificadas no modelo esparso, desafiando a ferramenta a transpor essa estrutura flexível e esparsa para os modelos de documentos do MongoDB e de colunas do Cassandra.
A extração de metadados e a análise estrutural dos bancos de origem foram realizadas por meio da classe RelationalDatabaseInspector. Esta classe utilizou a funcionalidade `inspect` da biblioteca SQLAlchemy (versão 2.0.49) para mapear automaticamente as dependências de integridade referencial, como Chaves Primárias (PK) e Chaves Estrangeiras (FK). Além da inspeção relacional clássica, a ferramenta implementou uma lógica para detectar estruturas baseadas no modelo EAV, identificando padrões em trios de colunas (`entidade`, `atributo`, `valor`), permitindo a aplicação da estratégia de transformação de dados mais adequada para cada caso.
A migração para o MongoDB foi operacionalizada pela classe RelationalToMongoMigrator, que atuou em conjunto com a RelationalDatabaseInspector para determinar a estratégia de persistência. Para os modelos normalizado e esparso, a classe utilizou o mapeamento de chaves primárias e estrangeiras para realizar a junção dos dados das tabelas, consolidando-os em documentos únicos, onde a Primary Key original foi mapeada diretamente para o campo `_id` do MongoDB. No caso do modelo EAV, a ferramenta processou a tabela agrupando os atributos de cada entidade por meio de uma operação de pivoteamento com a biblioteca Pandas, definindo o CPF como o índice e chave natural do documento de destino, dada a ausência de um identificador numérico sequencial típico.
Para a migração ao Cassandra, a operacionalização foi conduzida pela classe RelationalToCassandraMigrator, que também atuou em conjunto com a RelationalDatabaseInspector para mapear a infraestrutura de origem. O processo iniciou-se com a conexão ao banco relacional via SQLAlchemy, seguida pela extração dos dados e a criação dinâmica de keyspaces e tabelas no Cassandra, baseando-se nos campos identificados automaticamente. Nos dois primeiros modelos (normalizado e esparso), a inspeção das relações de chaves primárias e estrangeiras permitiu a execução de consultas com `joins` para viabilizar esse fluxo, implementando-se uma lógica de desambiguação de colunas para evitar conflitos de nomenclatura entre tabelas distintas durante a persistência no modelo orientado a colunas.
No terceiro modelo, focado na arquitetura EAV, o sistema realizou a consolidação dos dados por entidade através de uma operação de pivoteamento com a biblioteca Pandas, transformando os atributos esparsos em colunas estruturadas antes da inserção. Nesse contexto, os valores contidos na coluna `entidade` foram definidos como a Primary Key no Cassandra, assegurando a distribuição e o acesso eficiente aos registros no modelo de colunas largas. Durante todo o procedimento, realizou-se o ajuste fino dos tipos de dados e a definição de chaves de partição que respeitassem as boas práticas de escalabilidade do banco de destino.
A análise de infraestrutura e volumetria foi desenvolvida por meio da classe DBStorageAnalyzer, que utilizou a biblioteca `docker` para Python para interagir com o ambiente conteinerizado. O monitoramento do tamanho ocupado pelos quatro bancos de dados (MySQL, PostgreSQL, MongoDB e Cassandra) foi realizado executando o comando “du -sb {path}” em cada container. O parâmetro “path” apontava para o diretório específico de armazenamento de dados de cada tecnologia, permitindo a extração precisa do consumo de disco em bytes para subsidiar a análise comparativa.
Com o objetivo de automatizar os testes das diferentes rotas de migração, criou-se a classe DatabaseMigrationTester. Esta classe centralizou e executou todo o processo de geração de dados, migração e visualização dos resultados. Ela permitiu testar de maneira padronizada as quatro rotas de migração: de MySQL para MongoDB, de MySQL para Cassandra, de PostgreSQL para MongoDB e de PostgreSQL para Cassandra, garantindo a correta execução de cada passo do fluxo. A contagem de tempo foi incorporada utilizando a função `perf_counter()` da biblioteca `time`, registrando o início e término de cada migração para avaliar o desempenho dos processos.
Os dados coletados, referentes aos tempos de execução e ao consumo de armazenamento em disco, foram submetidos a uma análise comparativa. Para cada um dos três modelos de dados (normalizado, esparso e EAV) e para cada uma das quatro rotas de migração, registraram-se dez ciclos de testes. As médias desses ciclos foram calculadas para cada cenário, permitindo a avaliação da eficiência temporal e volumétrica das diferentes tecnologias de destino. Essa abordagem visou identificar padrões de desempenho e consumo de recursos, fornecendo métricas para auxiliar na tomada de decisão estratégica sobre a adequação de cada paradigma NoSQL.
3. Resultados e Discussão
A implementação bem-sucedida das classes `RelationalToMongoMigrator` e `RelationalToCassandraMigrator` demonstrou a viabilidade técnica de um sistema automatizado para a migração de dados entre bancos de dados relacionais, como MySQL e PostgreSQL, e bancos de dados NoSQL, especificamente MongoDB e Cassandra. A funcionalidade plena da ferramenta foi assegurada pela integração com a classe `RelationalDatabaseInspector`, que executou a análise automatizada de metadados. Esta etapa crucial permitiu a identificação precisa de chaves primárias (PK), chaves estrangeiras (FK) e, de forma inovadora, a detecção de estruturas baseadas no modelo Entidade-Atributo-Valor (EAV). A capacidade de inspecionar e compreender a estrutura de origem dos dados foi fundamental para a execução correta de todas as fases do processo de migração, desde a conexão inicial e a leitura das tabelas até a transformação lógica dos dados e sua inserção nos bancos de destino. A automação desses processos de inspeção e transformação é um avanço significativo, pois, como apontado por Ghotiya (2017), a migração entre diferentes paradigmas de banco de dados é uma tarefa complexa, principalmente devido às disparidades nos modelos de dados. A ferramenta desenvolvida mitiga essa complexidade ao padronizar e otimizar as etapas, reduzindo a necessidade de intervenção manual e o risco de erros.
As operações de migração foram orquestradas pela classe `DatabaseMigrationTester`, que centralizou e padronizou o fluxo completo para as quatro rotas de migração definidas: MySQL para MongoDB, PostgreSQL para MongoDB, MySQL para Cassandra e PostgreSQL para Cassandra. Esta abordagem sistemática garantiu a execução consistente e reprodutível dos experimentos, um pilar da pesquisa experimental conforme Cajueiro (2015). A arquitetura modular do sistema, com componentes especializados para cada fase do processo, é ilustrada na Figura 1, que detalha como a classe `DatabaseMigration` atua como um orquestrador central, delegando tarefas específicas para as classes de inspeção, geração de dados e migração.
Fonte: Elaborado pelo autor (2026)
Figura 1. Diagrama de Classes
A representação visual na Figura 1 destaca a interconexão entre os módulos, como `DatabaseMigration` utiliza `FakeData` para geração de dados sintéticos, `DatabaseInspector` para análise de esquema, e os migrators específicos (`RelationalToMongoMigrator` e `RelationalToCassandraMigrator`) para a execução da transferência de dados. Essa estrutura modular não apenas facilita a compreensão do fluxo de trabalho, mas também promove a manutenibilidade e a escalabilidade do sistema, permitindo que novos módulos ou tecnologias de banco de dados sejam integrados com relativa facilidade no futuro. A utilização de containers Docker (versão 27.2.0) para isolar cada tecnologia de banco de dados, conforme detalhado na metodologia, reforçou a reprodutibilidade dos experimentos, um aspecto crucial para a validação dos resultados e para a credibilidade das conclusões (Sethi & Panda, 2024). A capacidade de testar as doze combinações planejadas (quatro rotas de migração para cada um dos três modelos de dados) com sucesso, validando a integridade das informações por meio de consultas diretas nos destinos, sublinha a robustez da solução proposta.
Em relação ao desempenho temporal das migrações, os resultados revelaram uma divergência significativa entre os bancos de dados de destino, dependendo da estrutura de dados de origem. Para os modelos 1 (relacional normalizado) e 2 (relacional esparso), as rotas de migração direcionadas ao MongoDB apresentaram, em média, maior eficiência temporal em comparação com o Cassandra. Por exemplo, a migração de MySQL para MongoDB para o modelo normalizado (Tabela 1) teve uma média de 53,01 segundos, enquanto para Cassandra foi de 79,64 segundos. Similarmente, para PostgreSQL, a migração para MongoDB foi de 35,08 segundos, contra 62,03 segundos para Cassandra. Essa performance superior do MongoDB pode ser atribuída à sua arquitetura orientada a documentos, que se adapta bem à consolidação de dados relacionais em estruturas aninhadas. A classe `RelationalToMongoMigrator` utilizou o mapeamento de chaves primárias e estrangeiras para realizar a junção dos dados das tabelas, consolidando-os em documentos únicos, onde a chave primária original foi mapeada diretamente para o campo `_id` do MongoDB. Essa abordagem minimiza a sobrecarga de transformação e inserção, pois o modelo de documento do MongoDB é intrinsecamente flexível e permite a representação de dados complexos e hierárquicos de forma eficiente (Elmasri & Navathe, 2020). A flexibilidade de esquema do MongoDB (Vilaça et al., 2013) permite que os dados sejam inseridos sem a necessidade de um esquema rígido pré-definido, o que agiliza o processo de migração para dados estruturados que podem ser denormalizados em documentos.
Em contrapartida, a migração para o Cassandra para os modelos normalizado e esparso, embora bem-sucedida, registrou latências de escrita superiores. A classe `RelationalToCassandraMigrator` realizou a criação dinâmica de keyspaces e tabelas no Cassandra, baseando-se nos campos identificados automaticamente. Para os dois primeiros modelos, a inspeção das relações de chaves primárias e estrangeiras permitiu a execução de consultas com `joins` para viabilizar esse fluxo, implementando-se uma lógica de desambiguação de colunas para evitar conflitos de nomenclatura. O modelo de colunas largas do Cassandra, embora otimizado para escalabilidade horizontal e alta disponibilidade, pode introduzir um overhead maior para a ingestão inicial de dados relacionais que exigem transformações complexas para se adequar ao seu modelo de dados. A necessidade de definir chaves de partição e agrupar dados de forma otimizada para consultas distribuídas pode adicionar complexidade e tempo ao processo de migração inicial, especialmente quando comparado à simplicidade de inserção de documentos no MongoDB para dados já consolidados. Essa diferença de desempenho sugere que, para cargas de trabalho provenientes de esquemas relacionais tradicionais, o MongoDB oferece maior agilidade no processamento, independentemente da densidade dos dados, como observado nos modelos normalizado e esparso.
No entanto, o cenário do modelo 3, baseado na arquitetura Entidade-Atributo-Valor (EAV), revelou uma inversão completa no perfil de desempenho. Conforme apresentado na Tabela 1, o Cassandra demonstrou uma superioridade notável na ingestão desses dados, enquanto o MongoDB apresentou um gargalo crítico, com tempos de execução excedendo 15 minutos em todos os testes realizados.
Tabela 1. Tempos em segundos para migração de 100.000 linhas para modelo 3
|
Número do Teste |
Tempo (s) de MySQL → MongoDB |
Tempo (s) de PostgreSQL → MongoDB |
Tempo (s) de MySQL → Cassandra |
Tempo (s) de PostgreSQL → Cassandra |
|
1 |
1671,86 |
945,39 |
193,86 |
109,65 |
|
2 |
1641,45 |
957,39 |
192,72 |
108,57 |
|
3 |
1612,43 |
932,76 |
191,07 |
107,29 |
|
4 |
1705,81 |
968,14 |
198,33 |
113,46 |
|
5 |
1658,94 |
912,47 |
186,22 |
105,13 |
|
6 |
1594,27 |
985,33 |
204,65 |
112,71 |
|
7 |
1722,56 |
944,81 |
196,38 |
109,54 |
|
8 |
1637,12 |
1004,59 |
189,74 |
104,28 |
|
9 |
1674,38 |
926,15 |
201,47 |
111,06 |
|
10 |
1691,02 |
957,38 |
193,58 |
108,67 |
|
Média (s) |
1660,98 |
953,44 |
194,80 |
109,04 |
Fonte: Resultados originais da pesquisa
A Tabela 1 ilustra claramente essa disparidade: a migração de MySQL para MongoDB para o modelo EAV levou, em média, 1660,98 segundos (aproximadamente 27,68 minutos), enquanto para Cassandra, a mesma migração foi concluída em 194,80 segundos (aproximadamente 3,25 minutos). De forma similar, a migração de PostgreSQL para MongoDB levou 953,44 segundos (aproximadamente 15,89 minutos), contra 109,04 segundos (aproximadamente 1,82 minutos) para Cassandra. Essa discrepância substancial pode ser atribuída às características intrínsecas do modelo EAV e à forma como cada banco de dados NoSQL lida com ele. O modelo EAV, como descrito por Dinu e Nadkarni (2006), armazena informações como conjuntos de pares atributo-valor, o que confere grande flexibilidade, mas pode ser desafiador para sistemas que não são projetados para tal estrutura. Para o MongoDB, a ferramenta processou a tabela EAV agrupando os atributos de cada entidade por meio de uma operação de pivoteamento com a biblioteca Pandas. Essa operação de pivoteamento, que transforma linhas em colunas para consolidar os atributos de uma entidade em um único documento, é computacionalmente intensiva. A reconstrução de documentos complexos a partir de uma estrutura EAV esparsa gera uma sobrecarga significativa, evidenciando limitações de performance para esse paradigma específico de migração, mesmo em ambientes controlados.
Em contraste, o Cassandra, com sua arquitetura de colunas largas, provou ser excepcionalmente eficiente para o modelo EAV. O sistema realizou a consolidação dos dados por entidade através de uma operação de pivoteamento com a biblioteca Pandas antes da inserção, mas a natureza do modelo de colunas largas do Cassandra permite que atributos esparsos sejam armazenados de forma natural e eficiente. Os valores contidos na coluna `entidade` foram definidos como a Primary Key no Cassandra, assegurando a distribuição e o acesso eficiente aos registros. A capacidade do Cassandra de lidar com um grande número de colunas dinâmicas, onde cada atributo pode ser uma coluna, alinha-se perfeitamente com a flexibilidade do EAV, sem a necessidade de transformações complexas que penalizam o desempenho. Este achado corrobora a literatura que destaca a adequação de bancos de dados de colunas largas para dados esparsos e flexíveis, onde a escalabilidade e a eficiência de escrita são primordiais (Heine et al., 2018). A robustez do Cassandra para lidar com a complexidade e a esparsidade do modelo EAV, sem incorrer em gargalos de desempenho, o posiciona como uma escolha ideal para cenários de dados altamente variáveis.
A análise de infraestrutura e volumetria, realizada pela classe `DBStorageAnalyzer`, forneceu insights cruciais sobre a eficiência de armazenamento em disco dos diferentes bancos de dados. As Tabelas 4, 5 e 6 apresentaram as medições do espaço ocupado pelas tabelas ou coleções (collections) dentro dos containers, permitindo uma análise comparativa da eficiência volumétrica de cada tecnologia. Os dados demonstraram que a eficiência de armazenamento varia drasticamente conforme a estrutura lógica aplicada. No cenário de tabelas normalizadas (Modelo 1), conforme detalhado na Tabela 4, os bancos relacionais MySQL e PostgreSQL apresentaram os menores consumos de espaço, mantendo-se na faixa de 10 MB a 15 MB. Por exemplo, a média de armazenamento para MySQL foi de 11,78 MB, e para PostgreSQL, 14,63 MB. Em contrapartida, o MongoDB registrou os maiores valores, frequentemente superando os 25 MB, com uma média de 24,99 MB para dados de MySQL e 19,89 MB para dados de PostgreSQL. Essa diferença de ocupação sugere que, para estruturas de dados fixas e padronizadas, o modelo de armazenamento em disco de tabelas normalizadas é mais compacto do que a abordagem baseada em documentos do MongoDB. A denormalização inerente à consolidação de dados em documentos pode levar à duplicação de informações, aumentando o volume total de armazenamento, um trade-off comum em bancos de dados NoSQL para otimizar o desempenho de leitura (Sadalage & Fowler, 2013).
No caso de dados esparsos (Modelo 2), conforme a Tabela 5, observa-se que o MySQL manteve uma estabilidade de consumo próxima ao cenário original, oscilando pouco entre 9,87 MB e 11,56 MB, com uma média de 10,72 MB. O PostgreSQL também manteve um consumo estável, com média de 13,85 MB. Já o MongoDB continuou apresentando um consumo constante e elevado, permanecendo como a opção que mais consome espaço em disco para fluxos originados tanto de MySQL (média de 24,84 MB) quanto de PostgreSQL (média de 18,26 MB). O Cassandra, por sua vez, mostrou-se mais eficiente que o MongoDB para dados esparsos, com médias de 13,91 MB e 13,53 MB, respectivamente. Em resumo, os dados apontam que o ganho de espaço no uso de NoSQL está condicionado à transformação da arquitetura dos dados, e não apenas à migração direta de tabelas existentes. A eficiência de armazenamento do Cassandra para dados esparsos pode ser atribuída à sua capacidade de armazenar apenas as colunas que contêm valores, evitando o overhead de campos nulos que poderiam ser representados em documentos MongoDB.
Tabela 2. Armazenamento das Tabelas e Coleções para o modelo 3
|
Número do Teste |
MySQL (MB) |
MongoDB (MB) |
Cassandra (MB) |
PostgreSQL (MB) |
MongoD B (MB) |
Cassandr a (MB) |
|
1 |
89,77 |
35,05 |
17,45 |
131,7 |
22,71 |
11,01 |
|
2 |
89,77 |
33,42 |
17,48 |
131,69 |
23,24 |
8,93 |
|
3 |
87,46 |
32,17 |
18,12 |
135,11 |
21,93 |
9,46 |
|
4 |
92,34 |
36,08 |
16,97 |
128,49 |
24,16 |
10,53 |
|
5 |
84,63 |
34,81 |
17,29 |
140,22 |
22,54 |
8,84 |
|
6 |
94,18 |
33,69 |
18,03 |
122,86 |
23,81 |
11,42 |
|
7 |
88,12 |
35,42 |
17,66 |
137,54 |
21,47 |
9,82 |
|
8 |
91,26 |
32,94 |
16,84 |
126,38 |
24,03 |
10,19 |
|
9 |
86,59 |
36,21 |
17,92 |
139,07 |
22,18 |
9,13 |
|
10 |
93,71 |
34,16 |
18,34 |
124,19 |
23,57 |
10,81 |
|
Média (s) |
89,76 |
34,40 |
17,61 |
131,70 |
22,96 |
10,01 |
Fonte: Resultados originais da pesquisa
Em contrapartida, o cenário de tabelas EAV (Modelo 3), conforme a Tabela 2, revelou uma inversão completa de desempenho em termos de armazenamento. O PostgreSQL, que ocupava cerca de 14 MB numa estrutura relacional normalizada, saltou para uma média de 131,70 MB no EAV, representando o maior volume de dados registrado em todo o estudo. Esse aumento drástico no consumo de espaço em bancos relacionais para o modelo EAV é uma consequência direta da forma como esses dados são armazenados: cada atributo-valor para uma entidade requer uma nova linha, resultando em uma proliferação de registros e na repetição de identificadores de entidade e atributo, o que é altamente ineficiente para armazenamento (Dinu & Nadkarni, 2006).
Enquanto isso, o Cassandra demonstrou alta eficiência nesse mesmo fluxo, reduzindo o armazenamento para valores entre 8,84 MB e 11,42 MB, com uma média de 10,01 MB. Essa performance superior do Cassandra para dados EAV é um testemunho de sua arquitetura de colunas largas, que permite o armazenamento eficiente de atributos esparsos como colunas dinâmicas, sem o overhead de linhas repetidas ou de campos nulos explícitos. O MongoDB, embora tenha apresentado um custo computacional elevado para o pivoteamento, ainda assim foi mais eficiente em termos de armazenamento para o modelo EAV do que o PostgreSQL, com uma média de 34,40 MB para dados de MySQL e 22,96 MB para dados de PostgreSQL. Os dados indicam que bancos NoSQL, especialmente o Cassandra, lidam de forma significativamente mais econômica com a desnormalização de grandes volumes de dados do que os bancos relacionais tradicionais, particularmente quando a estrutura de dados é inerentemente flexível e esparsa como o EAV. Essa constatação é de suma importância para projetos que envolvem grandes volumes de dados heterogêneos, onde a otimização do armazenamento pode resultar em economias substanciais de infraestrutura.
A capacidade da `RelationalDatabaseInspector` de detectar e diferenciar entre tabelas normalizadas e estruturas EAV por meio da análise de padrões em trios de colunas (`entidade`, `atributo`, `valor`) foi um diferencial crucial. Essa inteligência pré-migração permitiu que o sistema aplicasse a estratégia de transformação de dados mais adequada para cada caso, o que é vital para a integridade e a performance da migração (Malik et al., 2020). Sem essa detecção automática, a migração de dados EAV para um banco de dados NoSQL poderia resultar em estruturas subótimas ou exigir um esforço manual considerável para reengenharia do esquema, o que contraria o objetivo de automação e eficiência. A ferramenta proposta, portanto, não apenas transfere dados, mas também interpreta e adapta a lógica de transformação com base na semântica estrutural dos dados de origem, um aspecto que Ghotiya (2017) e Sethi e Panda (2024) destacam como um dos maiores desafios nas migrações entre paradigmas.
A automação dos testes por meio da classe `DatabaseMigrationTester`, que incorporou a contagem de tempo utilizando `perf_counter()` da biblioteca `time`, permitiu uma avaliação precisa do desempenho dos processos. Essa estrutura reutilizável, expansível e mensurável é fundamental para a realização de novos testes e experimentações, garantindo que a ferramenta possa ser adaptada e aprimorada para lidar com cenários de migração ainda mais complexos ou com diferentes tecnologias de banco de dados. A padronização dos testes e a coleta de métricas de desempenho e armazenamento são essenciais para fornecer uma base empírica sólida para a tomada de decisões estratégicas em projetos de modernização de infraestruturas de dados.
Em síntese, os resultados experimentais revelaram que a eficiência da migração está intrinsecamente ligada à compatibilidade entre a estrutura de origem e o modelo de armazenamento do banco de destino. Observou-se que o MongoDB apresenta um desempenho superior em velocidade de processamento para modelos relacionais tradicionais, sejam eles totalmente preenchidos ou esparsos. Isso se deve à sua capacidade de consolidar dados em documentos, o que se alinha bem com a denormalização para otimização de leitura. No entanto, essa vantagem de desempenho pode vir acompanhada de um consumo de disco superior em comparação com os bancos relacionais originais.
Por outro lado, o cenário baseado na arquitetura Entidade-Atributo-Valor (EAV) evidenciou um gargalo crítico de performance no MongoDB, onde o custo computacional do pivoteamento de dados resultou em tempos de execução significativamente elevados. Em contrapartida, o Cassandra demonstrou ser a tecnologia mais resiliente e eficiente para lidar com o modelo EAV, tanto em termos de velocidade de ingestão quanto de economia de armazenamento em disco. A sua arquitetura de colunas largas é naturalmente adequada para dados esparsos e flexíveis, evitando o overhead de transformações complexas e o desperdício de espaço. Os bancos relacionais, como o PostgreSQL, sofreram uma degradação volumétrica severa ao representar dados em formato EAV, atingindo o pico de consumo registrado no estudo, enquanto o Cassandra manteve um consumo de disco reduzido e estável.
Conclui-se, portanto, que não existe uma solução universal para a migração NoSQL. A escolha da tecnologia de destino deve ser guiada pela natureza estrutural dos dados de origem e pelos requisitos de desempenho e armazenamento. Para tabelas normalizadas e esparsas com estruturas fixas, o MongoDB oferece agilidade na migração, embora com um consumo de disco potencialmente superior ao modelo relacional. Já para cenários de alta flexibilidade e esparsidade, como o EAV, o Cassandra consolida-se como a opção ideal para garantir escalabilidade e eficiência, tanto em tempo de migração quanto em uso de armazenamento. Este trabalho contribui, portanto, com uma ferramenta funcional e métricas comparativas que auxiliam na tomada de decisão estratégica em projetos de modernização de infraestruturas de dados, permitindo que engenheiros de dados e arquitetos de sistemas façam escolhas informadas que otimizem tanto o desempenho quanto os custos operacionais.
4. Conclusão
Conclui-se que o objetivo foi atingido, com o desenvolvimento de um sistema automatizado para a migração de dados de bancos relacionais (MySQL e PostgreSQL) para bancos NoSQL (MongoDB e Cassandra). O sistema permitiu analisar o desempenho e a eficiência de armazenamento em diferentes modelos de dados (normalizado, esparso e EAV), fornecendo métricas comparativas cruciais para a tomada de decisão estratégica. Os resultados demonstraram que a eficiência da migração está intrinsecamente ligada à compatibilidade entre a estrutura de origem e o modelo de armazenamento do banco de destino. O MongoDB mostrou-se mais ágil para modelos relacionais tradicionais (normalizado e esparso), embora com maior consumo de disco. Contudo, para o modelo EAV, o MongoDB apresentou um gargalo crítico de performance devido ao custo computacional do pivoteamento de dados, evidenciando uma limitação significativa para esse paradigma específico de migração.
Em contrapartida, o Cassandra revelou-se a tecnologia mais eficiente para o modelo EAV, tanto em velocidade de ingestão quanto em economia de armazenamento, dada sua arquitetura de colunas largas. Esta pesquisa reforça que não há uma solução universal para a migração NoSQL, sendo a escolha da tecnologia de destino dependente da natureza estrutural dos dados e dos requisitos de desempenho e armazenamento. Como limitações do estudo, destaca-se o foco em um conjunto específico de bancos de dados e modelos de dados, e a volumetria de 100.000 registros. Para estudos futuros, recomenda-se a exploração de mecanismos de consistência eventual, a inclusão de outros tipos de bancos NoSQL e a realização de testes com volumes de dados na escala de terabytes, a fim de validar a escalabilidade da solução em cenários de produção.
Referências Bibliográficas
autor, 2026 [Referência completa não encontrada no documento original]
Cajueiro, Roberta Liana Pimentel. Manual para Elaboração de Trabalhos Acadêmicos: guia prático do estudante. Rio de Janeiro: Saraiva, 2015. 159 р.
DB-Engines. 2025. Popularidade de DBMS dividida por modelo de banco de dados. Disponível em: <https://db-engines.com/en/ranking_categories>. Acesso em: 24 mai. 2025.
Dinu, V.; Nadkarni, P. 2007. Guidelines for the effective use of entity-attribute-value modeling for biomedical databases. International journal of medical informatics, 76 (11-12), 769-779.
Elmasri, R.; Navathe, S. B.; Halpin, T. 2020. Chapter 1 Databases and Database Users. p. 3-29. In: Elmasri, R.; Navathe, S. B.; Halpin, T. Fundamentals of Database Systems. 7ed. Pearson Higher Education, Hoboken, NJ, EUA.
Ghotiya, S.; Mandal, J.; Kandasamy, S. 2017. Migration from relational to NoSQL database. IOP Publishing 263(4): 042055.
Heine, G. P.; Woltron, T.; Wöhrer, A. 2018. Towards a Scalable Data-Intensive Text Processing Architecture with Python and Cassandra. DATA ANALYTICS (7): 26-29.
Malik, A.; Burney, A.; Ahmed, F. 2020. A comparative study of unstructured data with SQL and NO-SQL database management systems. Journal of Computer and Communications, 8(4): 59-71.
Sadalage, P. J.; Fowler, M. 2013. Capítulo 1 – Por que NoSQL?. p. (25-39). In: Sadalage, P. J.; Fowler, M. NoSQL Essencial: Um Guia Conciso para o Mundo Emergente da Persistência Poliglota. 1ed. Novatec Editora, São Paulo, SP, Brasil.
Sethi, S.; & Panda, S. 2024. SQL or NoSQL – Practical Aspect and Rational behind Choosing Data Stores. Journal of Computer and Communications 12(8): 155-174.
Vilaça, R.; Cruz, F.; Pereira, J.; Oliveira, R. 2013. An effective scalable SQL engine for NoSQL databases. In: Held as Part of the 8th International Federated Conference on Distributed Computing Techniques, June 3-5, Florence, Italy. Anais… p. 155-168.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

