在数字化心理沙盘系统中，沙盘交互轨迹是一类典型的非结构化海量数据。学生在终端设备上拖拽沙具的每一个动作，都会生成包含时间戳、三维坐标、沙具种类、旋转角度等多维度的上报记录。
如果将这种字段不固定、嵌套层级深的数据存入 MySQL 的关系型表格中，往往需要设计大量的稀疏列。一旦业务需求发生变化，例如新增一个“沙具施加力度”的属性，就需要对表结构执行 ALTER TABLE 操作。在数据量达到千万级别时，这种 DDL 操作极易引发锁表问题，影响线上业务的稳定性。
针对此类非结构化数据的存储需求，橙星云研发团队在架构选型阶段采用了 MongoDB。以下是我们在实际业务中应用文档型数据库的一些技术实践。
灵活的 BSON 文档模型
MongoDB 的核心特性在于不需要预先定义严格的 Schema。数据在底层以 BSON（二进制 JSON）格式存储为独立文档。同一个集合（Collection）内的相邻数据行，可以拥有完全不同的字段数量和嵌套结构，这为沙盘系统的高频迭代提供了极大的灵活性。
当终端设备上报包含复杂业务含义的交互记录时，数据结构可能如下：
“`json
{
"student_id": 9932,
"action_type": "DRAG",
"item": { "type": "TIGER", "color": "ORANGE" },
"coordinates": { "x": 12.5, "y": 9.2, "z": 0.0 },
"timestamp": 1721029302910
}
“`
在服务端处理该请求时，代码层面只需调用基础的插入方法 mongoTemplate.insert(trajectory)，整个 JSON 对象即可完整写入磁盘。开发过程中不需要维护繁琐的 ORM 映射关系，显著降低了处理异构数据的工程复杂度。
嵌套索引（Nested Index）优化查询性能
存储写入只是基础工作，业务端往往还需要对沉淀的轨迹数据进行多维度分析。例如，心理分析模块可能需要查询“当前批次所有在沙盘中放置过‘老虎’（TIGER）沙具的轨迹记录”。
在传统的关系型数据库中处理 JSON 字段查询，通常依赖于函数解析甚至全表扫描，执行效率难以保证。而 MongoDB 提供了对嵌套字段建立 B 树索引的原生支持。
在我们的数据库初始化脚本中，会针对高频查询的内层属性建立针对性索引：
“`javascript
// 对嵌套对象 item.type 建立单键索引
db.sandplay_trajectories.createIndex({ "item.type": 1 })
“`
索引生效后，带有 item.type == 'TIGER' 条件的查询请求会直接命中底层的 B 树结构。其时间复杂度优化至 O(log N) 级别，能够将千万条记录范围内的复杂过滤耗时控制在毫秒级。
通过引入 MongoDB 来承接非结构化的沙盘轨迹，系统不仅避开了关系型表结构在异构数据面前的维护难题，还能利用深层嵌套索引保障高并发检索场景下的响应速度，为后续的数据分析与算法模型提供了坚实的底层存储支持。