與關系型數據庫相比，MongoDB的優點：
①弱一致性（最終一致），更能保證用戶的訪問速度：
舉例來說，在傳統的關系型數據庫中，一個COUNT類型的操作會鎖定數據集，這樣可以保證得到“當前”情況下的精確值。這在某些情況下，例 如通過ATM查看賬戶信息的時候很重要，但對于Wordnik來說，數據是不斷更新和增長的，這種“精確”的保證幾乎沒有任何意義，反而會產生很大的延 遲。他們需要的是一個“大約”的數字以及更快的處理速度。

但某些情況下MongoDB會鎖住數據庫。如果此時正有數百個請求，則它們會堆積起來，造成許多問題。我們使用了下面的優化方式來避免鎖定：
每次更新前，我們會先查詢記錄。查詢操作會將對象放入內存，于是更新則會盡可能的迅速。在主/從部署方案中，從節點可以使用“-pretouch”參數運行，這也可以得到相同的效果。
使用多個mongod進程。我們根據訪問模式將數據庫拆分成多個進程。
②文檔結構的存儲方式，能夠更便捷的獲取數據。
對于一個層級式的數據結構來說，如果要將這樣的數據使用扁平式的，表狀的結構來保存數據，這無論是在查詢還是獲取數據時都十分困難。
舉例1：
就拿一個“字典項”來說，雖然并不十分復雜，但還是會關系到“定義”、“詞性”、“發音”或是“引用”等內容。大部分工程師會將這種模型使用關系型數據庫 中的主鍵和外鍵表現出來，但把它看作一個“文檔”而不是“一系列有關系的表”豈不更好？使用 “dictionary.definition.partOfSpeech='noun'”來查詢也比表之間一系列復雜（往往代價也很高）的連接查詢方便 且快速。

舉例2：在一個關系型數據庫中，一篇博客（包含文章內容、評論、評論的投票）會被打散在多張數據表中。在MongoDB中，能用一個文檔來表示一篇博客， 評論與投票作為文檔數組，放在正文主文檔中。這樣數據更易于管理，消除了傳統關系型數據庫中影響性能和水平擴展性的“JOIN”操作。

CODE↓
> db.blogposts.save({ title : "My First Post", author: {name : "Jane", id :1},
comments : [{ by: "Abe", text: "First" },
{ by : "Ada", text : "Good post" }]
})

> db.blogposts.find( { "author.name" : "Jane" } )

> db.blogposts.findOne({ title : "My First Post", "author.name": "Jane",
comments : [{ by: "Abe", text: "First" },
{ by : "Ada", text : "Good post" } ]
})
> db.blogposts.find( { "comments.by" : "Ada" } )

> db.blogposts.ensureIndex( { "comments.by" : 1 } );
舉例③：
MongoDB是一個面向文檔的數據庫，目前由10gen開發并維護，它的功能豐富，齊全，完全可以替代MySQL。在使用MongoDB做產品原型的過程中，我們總結了MonogDB的一些亮點：
使用JSON風格語法，易于掌握和理解：MongoDB使用JSON的變種BSON作為內部存儲的格式和語法。針對MongoDB的操作都使用JSON風格語法，客戶端提交或接收的數據都使用JSON形式來展現。相對于SQL來說，更加直觀，容易理解和掌握。
Schema-less，支持嵌入子文檔：MongoDB是一個Schema-free的文檔數據庫。一個數據庫可以有多個Collection，每 個Collection是Documents的集合。Collection和Document和傳統數據庫的Table和Row并不對等。無需事先定義 Collection，隨時可以創建。
Collection中可以包含具有不同schema的文檔記錄。這意味著，你上一條記錄中的文檔有3個屬性，而下一條記錄的文檔可以有10個屬 性，屬性的類型既可以是基本的數據類型（如數字、字符串、日期等），也可以是數組或者散列，甚至還可以是一個子文檔（embeddocument）。這 樣，可以實現逆規范化（denormalizing）的數據模型，提高查詢的速度。

圖1 MongoDB是一個Schema-free的文檔數據庫

圖2是一個例子，作品和評論可以設計為一個collection，評論作為子文檔內嵌在art的comments屬性中，評論的回復則作為 comment子文檔的子文檔內嵌于replies屬性。按照這種設計模式，只需要按照作品id檢索一次，即可獲得所有相關的信息了。在MongoDB 中，不強調一定對數據進行Normalize，很多場合都建議De-normalize，開發人員可以扔掉傳統關系數據庫各種范式的限制，不需要把所有 的實體都映射為一個Collection，只需定義最頂級的class。MongoDB的文檔模型可以讓我們很輕松就能將自己的Object映射到 collection中實現存儲。

圖2 MongoDB支持嵌入子文檔

③內置GridFS，支持大容量的存儲。
GridFS是一個出色的分布式文件系統，可以支持海量的數據存儲。
內置了GridFS了MongoDB，能夠滿足對大數據集的快速范圍查詢。
④內置Sharding。
提供基于Range的AutoSharding機制：一個collection可按照記錄的范圍，分成若干個段，切分到不同的Shard上。
Shards可以和復制結合，配合Replicasets能夠實現Sharding+fail-over，不同的Shard之間可以負載均衡。查詢是對 客戶端是透明的。客戶端執行查詢，統計，MapReduce等操作，這些會被MongoDB自動路由到后端的數據節點。這讓我們關注于自己的業務，適當的 時候可以無痛的升級。MongoDB的Sharding設計能力最大可支持約20petabytes，足以支撐一般應用。
這可以保證MongoDB運行在便宜的PC服務器集群上。PC集群擴充起來非常方便并且成本很低，避免了“sharding”操作的復雜性和成本。

⑤第三方支持豐富。(這是與其他的NoSQL相比，MongoDB也具有的優勢)
現在網絡上的很多NoSQL開源數據庫完全屬于社區型的，沒有官方支持，給使用者帶來了很大的風險。
而開源文檔數據庫MongoDB背后有商業公司10gen為其提供供商業培訓和支持。
而且MongoDB社區非常活躍，很多開發框架都迅速提供了對MongDB的支持。不少知名大公司和網站也在生產環境中使用MongoDB，越來越多的創新型企業轉而使用MongoDB作為和Django，RoR來搭配的技術方案。
⑥性能優越：
在使用場合下，千萬級別的文檔對象，近10G的數據，對有索引的ID的查詢不會比mysql慢，而對非索引字段的查詢，則是全面勝出。 mysql實際無法勝任大數據量下任意字段的查詢，而mongodb的查詢性能實在讓我驚訝。寫入性能同樣很令人滿意，同樣寫入百萬級別的數 據，mongodb比我以前試用過的couchdb要快得多，基本10分鐘以下可以解決。補上一句，觀察過程中mongodb都遠算不上是CPU殺手。

與關系型數據庫相比，MongoDB的缺點：
①mongodb不支持事務操作。
所以事務要求嚴格的系統（如果銀行系統）肯定不能用它。(這點和優點①是對應的)
②mongodb占用空間過大。
關于其原因，在官方的FAQ中，提到有如下幾個方面：
1、空間的預分配：為避免形成過多的硬盤碎片，mongodb每次空間不足時都會申請生成一大塊的硬盤空間，而且申請的量從64M、128M、256M那 樣的指數遞增，直到2G為單個文件的最大體積。隨著數據量的增加，你可以在其數據目錄里看到這些整塊生成容量不斷遞增的文件。

2、字段名所占用的空間：為了保持每個記錄內的結構信息用于查詢，mongodb需要把每個字段的key-value都以BSON的形式存儲，如果 value域相對于key域并不大，比如存放數值型的數據，則數據的overhead是最大的。一種減少空間占用的方法是把字段名盡量取短一些，這樣占用 空間就小了，但這就要求在易讀性與空間占用上作為權衡了。我曾建議作者把字段名作個index，每個字段名用一個字節表示，這樣就不用擔心字段名取多長 了。但作者的擔憂也不無道理，這種索引方式需要每次查詢得到結果后把索引值跟原值作一個替換，再發送到客戶端，這個替換也是挺耗費時間的。現在的實現算是 拿空間來換取時間吧。

3、刪除記錄不釋放空間：這很容易理解，為避免記錄刪除后的數據的大規模挪動，原記錄空間不刪除，只標記“已刪除”即可，以后還可以重復利用。

4、可以定期運行db.repairDatabase()來整理記錄，但這個過程會比較緩慢

③MongoDB沒有如MySQL那樣成熟的維護工具，這對于開發和IT運營都是個值得注意的地方。