Le modèle relationnel
Partie 4 sur 4
8Concevoir de bonnes tables : la normalisation
Savoir interroger des tables est une chose ; savoir les construire en est une autre. Une base mal conçue est difficile à faire évoluer, et pire, elle se contredit.
8.1Le problème : la redondance et ses anomalies
Imaginons une seule grande table « commande » qui contient, à chaque ligne, le numéro de commande, le produit, la quantité, et aussi le nom, l’adresse et la ville du client. Si un client passe cent commandes, son adresse est recopiée cent fois. Les ennuis sont de trois sortes (on les appelle des anomalies) :
- anomalie de modification : le client déménage ; il faut changer l’adresse sur cent lignes. Si l’on en oublie une, la base donne deux adresses pour le même client, sans savoir laquelle est vraie ;
- anomalie d’insertion : on ne peut pas enregistrer un nouveau client tant qu’il n’a rien commandé, puisque son adresse ne peut vivre que sur une ligne de commande ;
- anomalie de suppression : on supprime la dernière commande d’un client, et l’on perd du même coup son adresse.
Le remède consiste à ranger chaque fait à un seul endroit : les clients dans une table, les commandes dans une autre, reliées par une clé étrangère. C’est exactement ce que montre la figure 3. La théorie qui guide ce découpage s’appelle la normalisation.
8.2Les dépendances fonctionnelles
La notion centrale est la dépendance fonctionnelle : on dit que l’attribut B dépend de l’attribut A (noté A → B) si, quand on connaît la valeur de A, la valeur de B est déterminée. La plaque détermine la marque et le modèle de la voiture (A = plaque, B = marque). Le code postal détermine la ville (dans la plupart des cas). Les dépendances ne se découvrent pas dans les données : elles viennent des règles du monde réel, que l’on doit demander aux utilisateurs.
8.3Les formes normales
Une forme normale est une condition de bonne construction. Il y en a plusieurs, de plus en plus exigeantes. Les trois premières suffisent dans l’immense majorité des cas :
- Première forme normale (1FN). Chaque case contient une seule valeur atomique, et il y a une clé. Contre-exemple : une colonne « téléphones » qui contient « 0247000000, 0612345678 ». Remède : une ligne par numéro, ou une table séparée des téléphones.
- Deuxième forme normale (2FN). On est en 1FN, et chaque attribut qui n’est pas une clé dépend de toute la clé, pas d’une partie. Cela ne concerne que les clés composées de plusieurs colonnes. Contre-exemple : une table (numéro_commande, référence_produit, quantité, désignation_produit) dont la clé est (numéro_commande, référence_produit) : la désignation ne dépend que de la référence. Remède : une table « produit » séparée.
- Troisième forme normale (3FN). On est en 2FN, et aucun attribut non-clé ne dépend d’un autre attribut non-clé. Contre-exemple : une table « client » (id, nom, code_postal, ville) où la ville dépend du code postal. Remède : une table « commune » (code_postal, ville). Un mot pour retenir : chaque attribut dépend « de la clé, de toute la clé, et rien que de la clé ».
Au-delà, la forme normale de Boyce-Codd (FNBC) corrige les cas où une clé candidate dépend d’autre chose, et les formes suivantes (4FN, 5FN) traitent des liens multiples entre attributs indépendants. En pratique, viser la 3FN, voire la FNBC, est une bonne règle.
8.4Quand dénormaliser
La normalisation a un coût : des jointures plus nombreuses à la lecture. Pour une base très consultée et peu modifiée, par exemple un entrepôt de données d’analyse (voir les données modernes), on dénormalise volontairement : on recopie l’information dans plusieurs tables pour lire plus vite. C’est un choix réfléchi, fait après avoir normalisé, et accompagné de moyens pour garder les copies cohérentes. On ne dénormalise pas par paresse, ni pour une table qu’on modifie souvent.
8.5De l’idée aux tables
La conception se fait en trois étapes : on décrit le monde réel avec des entités et des liens (client, commande, produit ; « un client passe plusieurs commandes »), sous forme de schéma graphique (méthode Merise, notation UML des classes, ou schéma entité-association) ; on traduit ce schéma en tables : une table par entité, une clé étrangère pour chaque lien « un à plusieurs », une table de jonction pour chaque lien « plusieurs à plusieurs » ; on vérifie les formes normales et l’on déclare les contraintes. Les programmeurs qui manipulent des objets dans leur langage (voir la programmation orientée objet) y ajoutent une difficulté, la « désadaptation d’impédance » : un objet contient d’autres objets et des listes, une ligne de table contient des valeurs simples ; les outils de correspondance objet-relationnel comblent l’écart, au prix d’une certaine opacité.
9Les règles de Codd et les limites du modèle
9.1Qu’est-ce qu’un « vrai » système relationnel ?
Dans les années 1980, de nombreux logiciels se disaient « relationnels » alors qu’ils ne l’étaient qu’à moitié. En 1985, Codd publie douze règles (numérotées de 1 à 12, plus une règle zéro) qu’un système doit respecter pour mériter le nom. Elles tiennent en quelques idées :
- toutes les données sont représentées de la même façon, par des valeurs dans des tables, et chaque valeur est accessible par le nom de la table, la clé et le nom de la colonne ;
- les valeurs absentes sont traitées systématiquement (NULL), indépendamment du type de la colonne ;
- la description de la base (le catalogue) est stockée dans des tables, interrogeables comme les autres ;
- un langage unique permet de définir les données, de les interroger, de les modifier et de gérer les droits et les transactions ;
- les vues (tables virtuelles définies par une requête) peuvent être modifiées autant que possible ;
- les programmes sont indépendants du stockage physique et de la structure logique ;
- les contraintes d’intégrité sont déclarées dans la base, non dans les programmes ;
- le système ne peut pas être contourné par un accès de bas niveau qui ignorerait les règles.
Aucun produit du marché ne respecte les douze règles à la lettre, mais elles servent de grille de lecture, et expliquent pourquoi ces logiciels offrent les mêmes garanties, notamment sur les transactions et l’intégrité (voir les bases de données).
9.2Les limites
Le modèle relationnel n’est pas la réponse à tout. Ses faiblesses connues :
- Les données très hiérarchiques ou très souples. Un catalogue de produits dont chaque fiche a des champs différents demande beaucoup de colonnes vides, ou une jointure par caractéristique. Les bases de documents (voir les bases NoSQL) et les formats d’échange comme JSON (voir XML et JSON) sont plus à l’aise. Les systèmes relationnels modernes ont d’ailleurs ajouté des colonnes de type JSON.
- Les réseaux de relations. Pour trouver « les amis des amis des amis », il faut autant de jointures que de niveaux. Les bases orientées graphes font cela naturellement.
- Les volumes extrêmes répartis sur de nombreuses machines. Faire une jointure entre deux tables réparties sur cent machines est coûteux (voir le big data).
- L’écart avec les objets des langages de programmation (partie 8).
Ces limites expliquent pourquoi une application moderne combine souvent plusieurs types de bases. Mais elles ne remettent pas en cause le modèle : pour les données bien structurées, qui sont la plupart des données d’une entreprise (clients, factures, stocks, paie), le relationnel reste le choix par défaut, et celui où les garanties sont les plus fortes.
10Ce qui tient toujours, ce qui s’ajoute
- Le fond tient toujours. Relations, domaines, produit cartésien, cinq opérations de base, opérations dérivées, opérateurs de calcul : ce plan est celui d’un cours classique, et il reste valable.
- « Tuples (cellules) » est une erreur. Un tuple est une ligne ; une cellule est une case.
- Codd n’était pas « directeur de recherche » du centre IBM de San José ; il y était chercheur. Et l’algèbre complète date de 1972, non de 1970.
- La clé étrangère n’est pas « une clé » de la table qui la porte : ses valeurs s’y répètent, c’est une référence vers la clé d’une autre table.
- Le produit cartésien ne sert pas à « manipuler les données » : il définit ce qu’est une relation (un sous-ensemble du produit des domaines) et il intervient comme premier temps de la jointure.
- Le « select » de l’algèbre (garder des lignes) ne doit pas être confondu avec le
SELECTde SQL. - Les opérateurs de calcul sont bien non dérivés ; le regroupement est détaillé partie 6.
- Ce qui s’y ajoute : les jointures externes, la normalisation, NULL, la différence entre ensemble et sac, le lien avec SQL, les limites face aux autres modèles.
- Ce qui a changé depuis : les systèmes relationnels ont absorbé des idées d’autres modèles (colonnes JSON, requêtes récursives, extensions de graphes, voir les SGBD), et le modèle est resté la base de l’enseignement et de la pratique.