nosql在优势方面，主要体现在下面这三点：
1. 简单的扩展：典型例子是Cassandra，由于其架构是类似于经典的P2P，所以能通过轻松地添加新的节点来扩展这个集群;
2. 快速的读写：主要例子有Redis，由于其逻辑简单，而且纯内存操作，使得其性能非常出色，单节点每秒可以处理超过10万次读写操作;
3. 低廉的成本：这是大多数分布式数据库共有的特点，因为主要都是开源软件，没有昂贵的License成本;
4.
但瑕不掩瑜，NoSQL数据库还存在着很多的不足，常见主要有下面这几个：
1. 不提供对SQL的支持：如果不支持SQL这样的工业标准，将会对用户产生一定的学习和应用迁移成本;
2. 支持的特性不够丰富：现有产品所提供的功能都比较有限，大多数NoSQL数据库都不支持事务，也不像 SQL Server和Oracle那样能提供各种附加功能，比如BI和报表等;
3. 现有产品的不够成熟：大多数产品都还处于初创期，和关系型数据库几十年的完善不可同日而语;
虽然都是实例化模型对象，两者还是有区别的
D和M的区别主要在于
M方法不需要创建模型类文件，M方法不会读取模型类，所以默认情况下自动验证是无效的，但是可以通过动态赋值的方式实现
而D方法必须有创建模型类。
我们可以用下面两种方法去创建一个数据表的映射对象
第一种：$Test = D(‘Test’)
第二种：$Test = new Model(‘Test’)
虽然这两种都可以对数据进行select,insert,delete,udpate操作，在
数据验证上有很大的不同，
用第一种方式实例一个模型就会有数据检查功能，如果 title 没有填写的话就会提示 “请输入标题” （这个是tp提供的一个自动验证功能，当然也需要在相应的model中定义好验证条件）；
如果用第二种就没有了这个数据验证功能，需要手动验证。
D函数实例化的是你当前项目的Lib/Model下面的模块。
如果该模块不存在的话，直接返回实例化Model的对象(意义就与M()函数相同)。
而M只返回，实例化Model的对象。它的$name参数作为数据库的表名来处理对数据库的操作。
提高访问速度。从硬件，最好从网站程序等等方面考虑。我给出以下几种方案：
1.尽量使用静态页，不要老使用动态信息调用。非常容易出问题
2.图片内容与网站数据尽量放在同一个服务器或者机房内。大量外链图片是会有问题的
3.一次又一次，一遍又一遍的分析流量走向，然后缩短浏览者浏览距离，举个例子，浏览者如果现在在你网站看一个新闻需要点5次鼠标，你就要缩短这个点击数。
4.一次又一次，一遍又一遍的分析，修改你的网站数据库结构，使其更加简洁。
5.提高网站的安防能力
6.买个好服务器，托管在一个好的机房！
第一:确认服务器硬件是否足够支持当前的流量。
普通的P4服务器一般最多能支持每天10万独立IP，如果访问量比这个还要大，那么必须首先配置一台更高性能的专用服务器才能解决问题，否则怎么优化都不可能彻底解决性能问题。
第二：优化数据库访问
前台实现完全的静态化当然最好，可以完全不用访问数据库，不过对于频繁更新的网站，静态化往往不能满足某些功能。
缓存就是另一个解决方案，就是将动态数据存储到缓存文件中，动态网页直接调用这些文件，而不必再访问数据库，技术如果确实无法避免对数据库的访问，那么可以尝试优化数据库的查询SQL.避免使用Select * from这样的语句，每次查询只返回自己需要的结果，避免短时间内的大量SQL查询。最好在相同字段进行比较操作,在建立好的索引字段上尽量减少函数操作，如果要做到极致的话需要代码的优化；
第三，禁止外部的盗链。
外部网站的或者文件盗链往往会带来大量的负载压力，因此应该严格限制外部对于自身的图片或者文件盗链，好在目前可以简单地通过refer来控制盗链，自己就可以通过配置来禁止盗链。当然，伪造refer也可以通过来实现盗链，不过目前蓄意伪造refer盗链的还不多，可以先不去考虑，或者使用非技术手段来解决，比如在图片上增加水印。
第四，控制大文件的下载。
大文件的下载会占用很大的流量，并且对于非SCSI硬盘来说，大量文件下载会消耗CPU，使得网站响应能力下降。因此，尽量不要提供超过2M的大文件下载，如果需要提供，建议将大文件放在另外一台服务器上。
第五，使用不同主机分流主要流量
将文件放在不同的主机上，提供不同的镜像供用户下载。比如如果觉得RSS文件占用流量大，那么使用FeedBurner或者FeedSky等服务将RSS输出放在其他主机上，这样别人访问的流量压力就大多集中在FeedBurner的主机上，RSS就不占用太多资源了。
第六，使用流量分析统计软件。
在网站上一个流量分析统计软件，可以即时知道哪些地方耗费了大量流量，哪些页面需要再进行优化，因此，解决流量问题还需要进行精确的统计分析才可以。我推荐使用的流量分析统计软件是Analytics（Google分析）。
一、数据缓存