{"id":1739,"date":"2026-04-10T03:47:41","date_gmt":"2026-04-10T03:47:41","guid":{"rendered":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/"},"modified":"2026-04-10T03:47:41","modified_gmt":"2026-04-10T03:47:41","slug":"normalized-vs-denormalized-erd-read-heavy-workloads","status":"publish","type":"post","link":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/","title":{"rendered":"Comparaison : Strat\u00e9gies de diagramme d’entit\u00e9-relations normalis\u00e9es versus d\u00e9normalis\u00e9es pour les charges de travail intensives en lectures"},"content":{"rendered":"

Concevoir une architecture de donn\u00e9es robuste exige un \u00e9quilibre entre des priorit\u00e9s contradictoires. L’int\u00e9grit\u00e9, les performances et la maintenabilit\u00e9 tirent souvent dans des directions diff\u00e9rentes. Lorsque le syst\u00e8me se concentre davantage sur des op\u00e9rations intensives en lectures, les r\u00e8gles traditionnelles de conception de sch\u00e9ma subissent une pression consid\u00e9rable. Le diagramme d’entit\u00e9-relations (ERD) devient plus qu’un simple plan statique ; il agit comme le contrat entre la logique de l’application et le moteur de stockage. Ce guide explore la divergence strat\u00e9gique entre les approches normalis\u00e9es et d\u00e9normalis\u00e9es, sp\u00e9cifiquement dans le contexte de charges de travail intensives en lectures.<\/p>\n

Le choix entre normaliser ou d\u00e9normaliser n’est pas binaire. Il implique de comprendre le co\u00fbt de la duplication de donn\u00e9es par rapport au co\u00fbt de r\u00e9cup\u00e9ration des donn\u00e9es. Dans les environnements o\u00f9 les op\u00e9rations de lecture dominent les journaux de transactions, minimiser la complexit\u00e9 des jointures devient souvent la cible principale d’optimisation. Toutefois, l’introduction de redondance cr\u00e9e de nouveaux d\u00e9fis en mati\u00e8re de coh\u00e9rence des donn\u00e9es et d’op\u00e9rations d’\u00e9criture. Nous devons analyser les compromis afin de choisir la strat\u00e9gie structurelle appropri\u00e9e.<\/p>\n

\n
\"Educational<\/figure>\n<\/div>\n

\ud83c\udfd7\ufe0f Comprendre la normalisation dans la conception des diagrammes d’entit\u00e9-relations<\/h2>\n

La normalisation est un processus syst\u00e9matique utilis\u00e9 pour r\u00e9duire la redondance des donn\u00e9es et am\u00e9liorer l’int\u00e9grit\u00e9 des donn\u00e9es. Elle organise les attributs et les tables dans une base de donn\u00e9es relationnelle afin de minimiser les anomalies lors des op\u00e9rations d’insertion, de mise \u00e0 jour et de suppression. L’objectif est de garantir que chaque morceau de donn\u00e9es soit stock\u00e9 \u00e0 un seul endroit.<\/p>\n

Principes fondamentaux de la normalisation<\/h3>\n

Lors de la construction d’un diagramme d’entit\u00e9-relations, les architectes s’alignent g\u00e9n\u00e9ralement sur une hi\u00e9rarchie de r\u00e8gles appel\u00e9es Formes Normales. Chaque forme traite des types sp\u00e9cifiques de redondance.<\/p>\n

    \n
  • Premi\u00e8re Forme Normale (1NF) :<\/strong> Assure que chaque colonne contient des valeurs atomiques et qu’il n’y a pas de groupes r\u00e9p\u00e9t\u00e9s. Cela \u00e9tablit une structure plate pour les lignes.<\/li>\n
  • Deuxi\u00e8me Forme Normale (2NF) :<\/strong> S’appuie sur la 1NF en \u00e9liminant les d\u00e9pendances partielles. Les attributs doivent d\u00e9pendre de la cl\u00e9 primaire enti\u00e8re, et non seulement d’une partie de celle-ci.<\/li>\n
  • Troisi\u00e8me Forme Normale (3NF) :<\/strong> \u00c9limine les d\u00e9pendances transitives. Les attributs non cl\u00e9s doivent d\u00e9pendre uniquement de la cl\u00e9 primaire, et non d’autres attributs non cl\u00e9s.<\/li>\n<\/ul>\n

    Dans un ERD fortement normalis\u00e9, les tables sont granulaires. Une table client peut exister s\u00e9par\u00e9ment de sa table d’adresse, li\u00e9e par une cl\u00e9 \u00e9trang\u00e8re. Une table de commande fait r\u00e9f\u00e9rence au client, et une table d’\u00e9l\u00e9ments de commande fait r\u00e9f\u00e9rence \u00e0 la commande. Cette structure garantit qu’en cas de d\u00e9m\u00e9nagement d’un client, la mise \u00e0 jour a lieu \u00e0 un seul endroit et se propage automatiquement.<\/p>\n

    Avantages d’un sch\u00e9ma normalis\u00e9<\/h3>\n
      \n
    • Int\u00e9grit\u00e9 des donn\u00e9es :<\/strong> Des sources uniques de v\u00e9rit\u00e9 r\u00e9duisent le risque d’informations contradictoires.<\/li>\n
    • Efficacit\u00e9 du stockage :<\/strong> Moins de donn\u00e9es redondantes signifient que la taille de la base de donn\u00e9es est plus petite.<\/li>\n
    • Performances d’\u00e9criture :<\/strong> Les op\u00e9rations d’insertion, de mise \u00e0 jour et de suppression sont g\u00e9n\u00e9ralement plus rapides, car moins de lignes doivent \u00eatre modifi\u00e9es \u00e0 travers plusieurs tables.<\/li>\n
    • Maintenabilit\u00e9 :<\/strong> Les modifications aux structures de donn\u00e9es sont localis\u00e9es. L’ajout d’un nouvel attribut \u00e0 une entit\u00e9 sp\u00e9cifique n’exige pas de modifications en cascade sur des tables non li\u00e9es.<\/li>\n<\/ul>\n

      Inconv\u00e9nients pour les syst\u00e8mes \u00e0 forte charge de lectures<\/h3>\n

      Bien que la normalisation excelle dans les environnements \u00e0 forte charge d’\u00e9criture ou mixtes, elle introduit des difficult\u00e9s pour les op\u00e9rations de lecture. Chaque jointure n\u00e9cessaire pour assembler un enregistrement complet repr\u00e9sente une op\u00e9ration physique sur le disque ou le cache m\u00e9moire. Dans une charge de travail intensive en lectures, le syst\u00e8me peut devoir r\u00e9cup\u00e9rer des donn\u00e9es provenant de cinq ou six tables diff\u00e9rentes pour afficher une vue unique du tableau de bord.<\/p>\n

        \n
      • Surcharge des jointures :<\/strong> Le processeur de requ\u00eates doit correspondre les cl\u00e9s entre les tables. Cela consomme des cycles CPU et de la bande passante m\u00e9moire.<\/li>\n
      • Op\u00e9rations d’E\/S :<\/strong> Si les tables sont grandes, le moteur de stockage doit effectuer plusieurs recherches pour r\u00e9cup\u00e9rer les donn\u00e9es associ\u00e9es.<\/li>\n
      • Latence :<\/strong> Le temps cumul\u00e9 de plusieurs recherches augmente le temps de r\u00e9ponse pour l’utilisateur final.<\/li>\n<\/ul>\n

        \ud83d\udd17 L’approche de d\u00e9normalisation<\/h2>\n

        La d\u00e9normalisation consiste \u00e0 introduire d\u00e9lib\u00e9r\u00e9ment des redondances dans une conception de base de donn\u00e9es. L’objectif est d’optimiser le syst\u00e8me pour les performances de lecture en r\u00e9duisant le nombre de jointures n\u00e9cessaires. Dans le diagramme Entit\u00e9-Relation, cela se traduit par des colonnes qui dupliquent des donn\u00e9es provenant d’autres tables ou par des tables plus larges qui regroupent des informations connexes.<\/p>\n

        Comment fonctionne la d\u00e9normalisation<\/h3>\n

        Au lieu de stocker une cl\u00e9 \u00e9trang\u00e8re pour rechercher le nom d’un client, une table de commandes d\u00e9normalis\u00e9e pourrait stocker le nom du client directement. Si le client change de nom, l’enregistrement de commande doit \u00eatre mis \u00e0 jour ou signal\u00e9, ou le syst\u00e8me accepte que la commande refl\u00e8te le nom au moment de l’achat.<\/p>\n

        Cette strat\u00e9gie d\u00e9place la complexit\u00e9 du chemin de lecture vers le chemin d’\u00e9criture. Le syst\u00e8me doit d\u00e9sormais g\u00e9rer la logique de mise \u00e0 jour des copies redondantes des donn\u00e9es.<\/p>\n

        Avantages pour les charges de travail intensives en lecture<\/h3>\n
          \n
        • Ex\u00e9cution de requ\u00eates plus rapide :<\/strong> Moins de jointures signifient une surcharge computationnelle r\u00e9duite.<\/li>\n
        • R\u00e9duction de l’I\/O :<\/strong> Plus de donn\u00e9es sont r\u00e9cup\u00e9r\u00e9es lors d’une seule analyse de table plut\u00f4t que par plusieurs recherches.<\/li>\n
        • Requ\u00eates simplifi\u00e9es :<\/strong> Le code de l’application n\u00e9cessite moins de logique pour assembler les r\u00e9sultats.<\/li>\n
        • Efficacit\u00e9 du cache :<\/strong> Les structures plus plates sont souvent plus faciles \u00e0 mettre en cache efficacement en m\u00e9moire.<\/li>\n<\/ul>\n

          Risques et inconv\u00e9nients<\/h3>\n

          Le co\u00fbt principal de la d\u00e9normalisation est la coh\u00e9rence des donn\u00e9es. Si les donn\u00e9es sources changent, toutes les copies redondantes doivent \u00eatre mises \u00e0 jour simultan\u00e9ment. En cas d’\u00e9chec, cela entra\u00eene des donn\u00e9es obsol\u00e8tes.<\/p>\n

            \n
          • Anomalies de mise \u00e0 jour :<\/strong> La mise \u00e0 jour du nom d’un client exige de trouver et de modifier chaque enregistrement de commande qui fait r\u00e9f\u00e9rence \u00e0 ce client.<\/li>\n
          • Surdimensionnement du stockage :<\/strong> La r\u00e9plication des donn\u00e9es augmente la taille totale de la base de donn\u00e9es.<\/li>\n
          • Complexit\u00e9 des \u00e9critures :<\/strong> Les transactions d’\u00e9criture deviennent plus complexes, souvent en n\u00e9cessitant plus de verrous ou des dur\u00e9es de transaction plus longues.<\/li>\n
          • Rigidit\u00e9 du sch\u00e9ma :<\/strong> L’ajout d’un nouveau champ peut n\u00e9cessiter la mise \u00e0 jour de plusieurs tables, et non seulement une.<\/li>\n<\/ul>\n

            \ud83d\udcc8 Analyse des caract\u00e9ristiques des charges de travail intensives en lecture<\/h2>\n

            Pour choisir la bonne strat\u00e9gie, il faut comprendre la nature sp\u00e9cifique de la charge de travail. Les syst\u00e8mes intensifs en lecture diff\u00e8rent consid\u00e9rablement des syst\u00e8mes transactionnels o\u00f9 les \u00e9critures sont fr\u00e9quentes et critiques.<\/p>\n

            Mod\u00e8les de requ\u00eates<\/h3>\n

            L’application effectue-t-elle des requ\u00eates analytiques complexes ou des recherches simples ? Les requ\u00eates complexes impliquant des agr\u00e9gations sur de nombreuses tables b\u00e9n\u00e9ficient de la d\u00e9normalisation. Les recherches simples par ID peuvent fonctionner correctement avec la normalisation si les index sont bien ajust\u00e9s.<\/p>\n

              \n
            • Requ\u00eates ponctuelles :<\/strong> R\u00e9cup\u00e9ration d’un enregistrement unique par ID.<\/li>\n
            • Requ\u00eates sur plage :<\/strong> R\u00e9cup\u00e9ration d’un ensemble d’enregistrements dans une plage de dates.<\/li>\n
            • Agr\u00e9gations :<\/strong> Calcul des totaux, des moyennes ou des comptages sur de grandes ensembles de donn\u00e9es.<\/li>\n<\/ul>\n

              Exigences de latence<\/h3>\n

              Les plateformes de trading \u00e0 haute fr\u00e9quence ou les tableaux de bord en temps r\u00e9el ne peuvent pas supporter la latence introduite par des jointures complexes. Dans ces sc\u00e9narios, la d\u00e9normalisation est souvent une exigence plut\u00f4t qu’un choix. \u00c0 l’inverse, si l’application peut tol\u00e9rer quelques centaines de millisecondes de d\u00e9lai, la normalisation pourrait suffire avec un indexage appropri\u00e9.<\/p>\n

              Tol\u00e9rance \u00e0 la coh\u00e9rence des donn\u00e9es<\/h3>\n

              La coh\u00e9rence imm\u00e9diate est-elle requise ? Si le syst\u00e8me peut tol\u00e9rer une coh\u00e9rence \u00e9ventuelle, la d\u00e9normalisation devient beaucoup plus s\u00fbre. Les r\u00e9plicas de lecture ou les m\u00e9canismes de mise \u00e0 jour asynchrones peuvent g\u00e9rer la synchronisation des donn\u00e9es redondantes sans bloquer les op\u00e9rations d’\u00e9criture.<\/p>\n

              \ud83d\udccb Tableau comparatif strat\u00e9gique<\/h2>\n

              Le tableau suivant r\u00e9sume les principales diff\u00e9rences entre les deux approches dans le contexte de la conception de bases de donn\u00e9es.<\/p>\n\n\n\n\n\n\n\n\n\n\n
              Fonctionnalit\u00e9<\/th>\nSch\u00e9ma normalis\u00e9<\/th>\nSch\u00e9ma d\u00e9normalis\u00e9<\/th>\n<\/tr>\n<\/thead>\n
              Int\u00e9grit\u00e9 des donn\u00e9es<\/strong><\/td>\n\u00c9lev\u00e9e (source unique de v\u00e9rit\u00e9)<\/td>\nMoins \u00e9lev\u00e9e (n\u00e9cessite une logique de synchronisation)<\/td>\n<\/tr>\n
              Performance de lecture<\/strong><\/td>\nVariable (d\u00e9pend des jointures)<\/td>\n\u00c9lev\u00e9e (moins de jointures)<\/td>\n<\/tr>\n
              Performance d’\u00e9criture<\/strong><\/td>\n\u00c9lev\u00e9e (r\u00e9dundance minimale)<\/td>\nMoins \u00e9lev\u00e9e (mise \u00e0 jour de plusieurs lignes)<\/td>\n<\/tr>\n
              Utilisation du stockage<\/strong><\/td>\nEfficace<\/td>\nPlus \u00e9lev\u00e9e (donn\u00e9es redondantes)<\/td>\n<\/tr>\n
              Complexit\u00e9<\/strong><\/td>\nComplexit\u00e9 \u00e9lev\u00e9e des requ\u00eates<\/td>\nComplexit\u00e9 \u00e9lev\u00e9e des \u00e9critures<\/td>\n<\/tr>\n
              Maintenabilit\u00e9<\/strong><\/td>\nFacile pour les modifications du sch\u00e9ma<\/td>\nPlus difficile pour les modifications du sch\u00e9ma<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

              \ud83e\udded Cadre d\u00e9cisionnel pour les architectes<\/h2>\n

              Choisir la bonne voie n\u00e9cessite d’\u00e9valuer les exigences m\u00e9tiers par rapport aux contraintes techniques. Le cadre suivant aide \u00e0 guider le processus de d\u00e9cision.<\/p>\n

              Quand choisir la normalisation<\/h3>\n
                \n
              • Intensit\u00e9 des \u00e9critures :<\/strong> Si les op\u00e9rations d’\u00e9criture sont fr\u00e9quentes par rapport aux lectures, la normalisation \u00e9vite les anomalies de mise \u00e0 jour.<\/li>\n
              • Consistance stricte :<\/strong> Les syst\u00e8mes financiers ou les dossiers m\u00e9dicaux exigent souvent une conformit\u00e9 stricte aux principes ACID, o\u00f9 la redondance est inacceptable.<\/li>\n
              • Relations complexes :<\/strong> Lorsque les entit\u00e9s ont des relations plusieurs \u00e0 plusieurs qui changent fr\u00e9quemment, la normalisation g\u00e8re le mappage de mani\u00e8re propre.<\/li>\n
              • Contraintes de stockage :<\/strong> Si l’espace disque est une ressource pr\u00e9cieuse, minimiser la redondance est avantageux.<\/li>\n<\/ul>\n

                Quand choisir la d\u00e9normalisation<\/h3>\n
                  \n
                • Pr\u00e9dominance des lectures :<\/strong> Si les lectures surpassent largement les \u00e9critures (par exemple, 100:1), les gains de performance dus \u00e0 un moindre nombre de jointures d\u00e9passent les co\u00fbts d’\u00e9criture.<\/li>\n
                • Reporting et analyse :<\/strong> Les entrep\u00f4ts de donn\u00e9es et les moteurs de reporting d\u00e9normalisent souvent pour acc\u00e9l\u00e9rer les requ\u00eates d’agr\u00e9gation.<\/li>\n
                • Haute disponibilit\u00e9 :<\/strong> Les syst\u00e8mes distribu\u00e9s peuvent d\u00e9normaliser les donn\u00e9es pour permettre des lectures sur des n\u0153uds locaux sans sauts r\u00e9seau vers d’autres partitions.<\/li>\n
                • Donn\u00e9es de r\u00e9f\u00e9rence statiques :<\/strong> Les donn\u00e9es qui changent rarement (par exemple, les codes pays, les taux de change) sont de bons candidats \u00e0 la duplication.<\/li>\n<\/ul>\n

                  \ud83d\udee0\ufe0f Approches hybrides et optimisation<\/h2>\n

                  Il est rarement n\u00e9cessaire de choisir un extr\u00eame au d\u00e9triment de l’autre. Les syst\u00e8mes modernes utilisent souvent des strat\u00e9gies hybrides pour \u00e9quilibrer les avantages des deux mod\u00e8les.<\/p>\n

                  Strat\u00e9gies d’indexation<\/h3>\n

                  Avant de d\u00e9normaliser, assurez-vous que le sch\u00e9ma normalis\u00e9 est enti\u00e8rement index\u00e9. Les index couvrants permettent au moteur de stockage de r\u00e9cup\u00e9rer toutes les donn\u00e9es n\u00e9cessaires directement depuis l’index, \u00e9vitant ainsi les recherches dans les tables. Cela peut parfois permettre des vitesses de lecture proches de celles de la d\u00e9normalisation, sans redondance de donn\u00e9es.<\/p>\n

                    \n
                  • Index compos\u00e9s :<\/strong> Ordonnez les colonnes par les champs les plus s\u00e9lectifs afin d’acc\u00e9l\u00e9rer les balayages par plage.<\/li>\n
                  • Index partiels :<\/strong> Indexez uniquement des sous-ensembles sp\u00e9cifiques de donn\u00e9es afin de r\u00e9duire la taille de l’index et son co\u00fbt de maintenance.<\/li>\n<\/ul>\n

                    Vues mat\u00e9rialis\u00e9es<\/h3>\n

                    Une vue mat\u00e9rialis\u00e9e est un objet de base de donn\u00e9es qui stocke physiquement le r\u00e9sultat d’une requ\u00eate. Elle permet au syst\u00e8me de maintenir une vue d\u00e9normalis\u00e9e des donn\u00e9es sans modifier les tables de base. Lorsque les donn\u00e9es sous-jacentes changent, la vue mat\u00e9rialis\u00e9e peut \u00eatre actualis\u00e9e.<\/p>\n

                      \n
                    • Pr\u00e9-calcul :<\/strong>Les agr\u00e9gations complexes sont calcul\u00e9es \u00e0 l’avance.<\/li>\n
                    • Cycles d’actualisation :<\/strong>Peut \u00eatre configur\u00e9 pour s’ex\u00e9cuter selon un calendrier ou \u00eatre d\u00e9clench\u00e9 lors d’un changement de donn\u00e9es.<\/li>\n
                    • S\u00e9paration des lectures :<\/strong>Les requ\u00eates acc\u00e8dent \u00e0 la vue mat\u00e9rialis\u00e9e, tandis que les \u00e9critures vont vers les tables de base.<\/li>\n<\/ul>\n

                      R\u00e9plicas de lecture<\/h3>\n

                      Dans les architectures distribu\u00e9es, les r\u00e9plicas de lecture peuvent \u00eatre configur\u00e9s pour h\u00e9berger des copies d\u00e9normalis\u00e9es des donn\u00e9es. Le n\u0153ud principal g\u00e8re les \u00e9critures et maintient le sch\u00e9ma normalis\u00e9. Le r\u00e9plica re\u00e7oit les mises \u00e0 jour de mani\u00e8re asynchrone et assure le trafic de lecture avec un sch\u00e9ma optimis\u00e9.<\/p>\n

                        \n
                      • Mise \u00e0 l’\u00e9chelle des lectures :<\/strong>R\u00e9partit la charge sur plusieurs n\u0153uds.<\/li>\n
                      • Proximit\u00e9 g\u00e9ographique :<\/strong>Place les donn\u00e9es plus pr\u00e8s de l’utilisateur.<\/li>\n
                      • Consistance \u00e9ventuelle :<\/strong>Accepte un l\u00e9ger d\u00e9lai dans la propagation des donn\u00e9es.<\/li>\n<\/ul>\n

                        \u26a0\ufe0f Pi\u00e8ges courants dans la conception de sch\u00e9mas<\/h2>\n

                        M\u00eame avec une strat\u00e9gie claire, des erreurs d’impl\u00e9mentation peuvent compromettre les performances. Les architectes doivent rester vigilants face aux erreurs courantes.<\/p>\n

                        Sur-normalisation<\/h3>\n

                        Cr\u00e9er trop de tables pour un seul concept peut entra\u00eener un nombre excessif de jointures. Bien que la 3NF soit une norme, s’y tenir aveugl\u00e9ment dans les syst\u00e8mes \u00e0 forte charge de lecture peut d\u00e9grader les performances. Parfois, une violation contr\u00f4l\u00e9e de la 3NF est n\u00e9cessaire.<\/p>\n

                        D\u00e9normalisation incoh\u00e9rente<\/h3>\n

                        D\u00e9normaliser uniquement certaines parties de l’application tout en laissant les autres normalis\u00e9es cr\u00e9e un syst\u00e8me fragment\u00e9. L’incoh\u00e9rence rend difficile pour les d\u00e9veloppeurs de pr\u00e9voir les caract\u00e9ristiques de performance.<\/p>\n

                        Ignorer le volume des donn\u00e9es<\/h3>\n

                        Un sch\u00e9ma qui fonctionne pour un petit jeu de donn\u00e9es peut \u00e9chouer lorsque le volume augmente. La d\u00e9normalisation augmente les besoins en stockage de mani\u00e8re lin\u00e9aire avec le nombre d’enregistrements. Si les donn\u00e9es croissent de mani\u00e8re exponentielle, le co\u00fbt du stockage et la charge de maintenance de la redondance peuvent devenir ing\u00e9rables.<\/p>\n

                        Complexit\u00e9 de la logique de mise \u00e0 jour<\/h3>\n

                        Mettre en \u0153uvre la logique pour maintenir les donn\u00e9es redondantes synchronis\u00e9es n’est pas trivial. Cela n\u00e9cessite souvent des d\u00e9clencheurs, des transactions au niveau de l’application ou des files de messages. Si cette logique \u00e9choue, la corruption des donn\u00e9es se produit silencieusement.<\/p>\n

                        \ud83d\udd0d Consid\u00e9rations d’impl\u00e9mentation<\/h2>\n

                        Lors du passage de la conception \u00e0 l’impl\u00e9mentation, des d\u00e9tails techniques sp\u00e9cifiques doivent \u00eatre abord\u00e9s pour assurer le succ\u00e8s.<\/p>\n

                        Gestion des transactions<\/h3>\n

                        Les mises \u00e0 jour d\u00e9normalis\u00e9es englobent souvent plusieurs lignes. Elles doivent \u00eatre encapsul\u00e9es dans une seule transaction pour garantir l’atomicit\u00e9. Si le syst\u00e8me tombe en panne au milieu, les donn\u00e9es doivent \u00eatre annul\u00e9es pour \u00e9viter toute incoh\u00e9rence.<\/p>\n

                        Niveaux de mise en cache<\/h3>\n

                        M\u00eame avec la d\u00e9normalisation, le fait de mettre en cache les donn\u00e9es fr\u00e9quemment consult\u00e9es en m\u00e9moire peut r\u00e9duire davantage la charge de la base de donn\u00e9es. Le cache doit \u00eatre invalid\u00e9 ou mis \u00e0 jour lorsque les donn\u00e9es sous-jacentes changent.<\/p>\n

                        Surveillance et m\u00e9triques<\/h3>\n

                        La surveillance continue est essentielle. Suivez les temps d’ex\u00e9cution des requ\u00eates, les conflits de verrouillage et la croissance du stockage. Si la latence d’\u00e9criture augmente brusquement, cela peut indiquer que la logique de mise \u00e0 jour de la d\u00e9normalisation est trop lourde.<\/p>\n

                        \ud83d\udcdd Consid\u00e9rations finales pour les architectes<\/h2>\n

                        Le choix entre des strat\u00e9gies ERD normalis\u00e9es ou d\u00e9normalis\u00e9es est une d\u00e9cision architecturale fondamentale. Elle d\u00e9termine la mani\u00e8re dont les donn\u00e9es circulent dans le syst\u00e8me et comment le moteur de stockage interagit avec l’application. Il n’existe pas de r\u00e9ponse unique valable dans tous les cas.<\/p>\n

                          \n
                        • Mesurez d’abord :<\/strong> Ne pas optimiser sur la base d’hypoth\u00e8ses. Profiliez la charge de travail actuelle pour identifier les goulets d’\u00e9tranglement.<\/li>\n
                        • Commencez par le simple :<\/strong> Commencez par une conception normalis\u00e9e. D\u00e9normalisez uniquement lorsque les m\u00e9triques de performance indiquent un besoin.<\/li>\n
                        • Documentez les d\u00e9cisions :<\/strong> Enregistrez clairement pourquoi la redondance a \u00e9t\u00e9 introduite. Les futurs mainteneurs doivent comprendre les compromis effectu\u00e9s.<\/li>\n
                        • Pr\u00e9voyez l’\u00e9volution :<\/strong> Les conceptions de sch\u00e9mas doivent \u00e9voluer. Une strat\u00e9gie qui fonctionne aujourd’hui peut n\u00e9cessiter des ajustements au fur et \u00e0 mesure que les mod\u00e8les de donn\u00e9es changent.<\/li>\n<\/ul>\n

                          En comprenant les m\u00e9canismes des jointures, le co\u00fbt de la redondance et les exigences sp\u00e9cifiques des charges de travail intensives en lecture, les architectes peuvent concevoir des syst\u00e8mes \u00e0 la fois robustes et performants. L’objectif n’est pas de suivre une r\u00e8gle rigide, mais d’appliquer l’outil le plus adapt\u00e9 \u00e0 l’environnement de donn\u00e9es sp\u00e9cifique.<\/p>\n","protected":false},"excerpt":{"rendered":"

                          Concevoir une architecture de donn\u00e9es robuste exige un \u00e9quilibre entre des priorit\u00e9s contradictoires. L’int\u00e9grit\u00e9, les performances et la maintenabilit\u00e9 tirent souvent dans des directions diff\u00e9rentes. Lorsque le syst\u00e8me se concentre…<\/p>\n","protected":false},"author":1,"featured_media":1740,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_yoast_wpseo_title":"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture","_yoast_wpseo_metadesc":"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[68],"tags":[89,92],"class_list":["post-1739","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-database-design","tag-academic","tag-erd"],"yoast_head":"\nERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture<\/title>\n<meta name=\"description\" content=\"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture\" \/>\n<meta property=\"og:description\" content=\"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\" \/>\n<meta property=\"og:site_name\" content=\"Viz Note French - AI Insights & Software Industry Updates\" \/>\n<meta property=\"article:published_time\" content=\"2026-04-10T03:47:41+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"1664\" \/>\n\t<meta property=\"og:image:height\" content=\"928\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"author\" content=\"vpadmin\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"vpadmin\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"14 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\"},\"author\":{\"name\":\"vpadmin\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/d69595112293b803501f7b381be28255\"},\"headline\":\"Comparaison : Strat\u00e9gies de diagramme d’entit\u00e9-relations normalis\u00e9es versus d\u00e9normalis\u00e9es pour les charges de travail intensives en lectures\",\"datePublished\":\"2026-04-10T03:47:41+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\"},\"wordCount\":2926,\"publisher\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/#organization\"},\"image\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg\",\"keywords\":[\"academic\",\"erd\"],\"articleSection\":[\"Database Design\"],\"inLanguage\":\"fr-FR\"},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\",\"url\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\",\"name\":\"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture\",\"isPartOf\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg\",\"datePublished\":\"2026-04-10T03:47:41+00:00\",\"description\":\"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage\",\"url\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg\",\"contentUrl\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg\",\"width\":1664,\"height\":928},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.viz-note.com\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Comparaison : Strat\u00e9gies de diagramme d’entit\u00e9-relations normalis\u00e9es versus d\u00e9normalis\u00e9es pour les charges de travail intensives en lectures\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#website\",\"url\":\"https:\/\/www.viz-note.com\/fr\/\",\"name\":\"Viz Note French - AI Insights & Software Industry Updates\",\"description\":\"\",\"publisher\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.viz-note.com\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#organization\",\"name\":\"Viz Note French - AI Insights & Software Industry Updates\",\"url\":\"https:\/\/www.viz-note.com\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2025\/03\/cropped-viz-note-logo.png\",\"contentUrl\":\"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2025\/03\/cropped-viz-note-logo.png\",\"width\":512,\"height\":512,\"caption\":\"Viz Note French - AI Insights & Software Industry Updates\"},\"image\":{\"@id\":\"https:\/\/www.viz-note.com\/fr\/#\/schema\/logo\/image\/\"}},{\"@type\":\"Person\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/d69595112293b803501f7b381be28255\",\"name\":\"vpadmin\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/56e0eb902506d9cea7c7e209205383146b8e81c0ef2eff693d9d5e0276b3d7e3?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/56e0eb902506d9cea7c7e209205383146b8e81c0ef2eff693d9d5e0276b3d7e3?s=96&d=mm&r=g\",\"caption\":\"vpadmin\"},\"sameAs\":[\"https:\/\/www.viz-note.com\"],\"url\":\"https:\/\/www.viz-note.com\/fr\/author\/vpadmin\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture","description":"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/","og_locale":"fr_FR","og_type":"article","og_title":"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture","og_description":"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.","og_url":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/","og_site_name":"Viz Note French - AI Insights & Software Industry Updates","article_published_time":"2026-04-10T03:47:41+00:00","og_image":[{"width":1664,"height":928,"url":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg","type":"image\/jpeg"}],"author":"vpadmin","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"vpadmin","Dur\u00e9e de lecture estim\u00e9e":"14 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#article","isPartOf":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/"},"author":{"name":"vpadmin","@id":"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/d69595112293b803501f7b381be28255"},"headline":"Comparaison : Strat\u00e9gies de diagramme d’entit\u00e9-relations normalis\u00e9es versus d\u00e9normalis\u00e9es pour les charges de travail intensives en lectures","datePublished":"2026-04-10T03:47:41+00:00","mainEntityOfPage":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/"},"wordCount":2926,"publisher":{"@id":"https:\/\/www.viz-note.com\/fr\/#organization"},"image":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage"},"thumbnailUrl":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg","keywords":["academic","erd"],"articleSection":["Database Design"],"inLanguage":"fr-FR"},{"@type":"WebPage","@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/","url":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/","name":"ERD normalis\u00e9 vs d\u00e9normalis\u00e9 pour les charges de travail intensives en lecture","isPartOf":{"@id":"https:\/\/www.viz-note.com\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage"},"image":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage"},"thumbnailUrl":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg","datePublished":"2026-04-10T03:47:41+00:00","description":"Comparez les strat\u00e9gies ERD normalis\u00e9es et d\u00e9normalis\u00e9es pour les bases de donn\u00e9es intensives en lecture. Apprenez les compromis, les impacts sur les performances et les cadres d\u00e9cisionnels pour la conception des sch\u00e9mas.","breadcrumb":{"@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#primaryimage","url":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg","contentUrl":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2026\/04\/normalized-vs-denormalized-erd-strategies-infographic.jpg","width":1664,"height":928},{"@type":"BreadcrumbList","@id":"https:\/\/www.viz-note.com\/fr\/normalized-vs-denormalized-erd-read-heavy-workloads\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.viz-note.com\/fr\/"},{"@type":"ListItem","position":2,"name":"Comparaison : Strat\u00e9gies de diagramme d’entit\u00e9-relations normalis\u00e9es versus d\u00e9normalis\u00e9es pour les charges de travail intensives en lectures"}]},{"@type":"WebSite","@id":"https:\/\/www.viz-note.com\/fr\/#website","url":"https:\/\/www.viz-note.com\/fr\/","name":"Viz Note French - AI Insights & Software Industry Updates","description":"","publisher":{"@id":"https:\/\/www.viz-note.com\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.viz-note.com\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/www.viz-note.com\/fr\/#organization","name":"Viz Note French - AI Insights & Software Industry Updates","url":"https:\/\/www.viz-note.com\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.viz-note.com\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2025\/03\/cropped-viz-note-logo.png","contentUrl":"https:\/\/www.viz-note.com\/fr\/wp-content\/uploads\/sites\/6\/2025\/03\/cropped-viz-note-logo.png","width":512,"height":512,"caption":"Viz Note French - AI Insights & Software Industry Updates"},"image":{"@id":"https:\/\/www.viz-note.com\/fr\/#\/schema\/logo\/image\/"}},{"@type":"Person","@id":"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/d69595112293b803501f7b381be28255","name":"vpadmin","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.viz-note.com\/fr\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/56e0eb902506d9cea7c7e209205383146b8e81c0ef2eff693d9d5e0276b3d7e3?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/56e0eb902506d9cea7c7e209205383146b8e81c0ef2eff693d9d5e0276b3d7e3?s=96&d=mm&r=g","caption":"vpadmin"},"sameAs":["https:\/\/www.viz-note.com"],"url":"https:\/\/www.viz-note.com\/fr\/author\/vpadmin\/"}]}},"_links":{"self":[{"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/posts\/1739","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/comments?post=1739"}],"version-history":[{"count":0,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/posts\/1739\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/media\/1740"}],"wp:attachment":[{"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/media?parent=1739"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/categories?post=1739"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.viz-note.com\/fr\/wp-json\/wp\/v2\/tags?post=1739"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}