Jak mówi Mike, nie można uniknąć PyMongo - wszystkie inne interfejsy są oparte na nim. Te inne interfejsy są prawdopodobnie niepotrzebne. ORM, takie jak ten używany w Django, są przydatne podczas pracy z SQL, ponieważ zmniejszają złożoność tworzenia zapytań i schematów SQL oraz przetwarzania zbiorów wyników na obiekty.
PyMongo już to jednak obejmuje - zapytania przechodzą przez wygodny i prosty interfejs API, a wyniki pochodzące z MongoDB są już obiektami (no cóż, nakazy w Pythonie - ta sama różnica) z definicji. Jeśli uważasz, że naprawdę potrzebujesz ozdobić swoje dokumenty Mongo obiektami Pythona, łatwo jest dodać manipulator SON do PyMongo. Zaletą tego podejścia jest to, że możesz pisać kod bezpośrednio w PyMongo, a później wprowadzać dodatkowe funkcje bez konieczności wstawiania nowego interfejsu API między swój kod a PyMongo.
Co zostało? Tworzenie i migracja schematów są w pewnym stopniu przydatne, ale prawie tak samo proste do wykonania ad-hoc – jeśli rozważasz użycie MongoDB, i tak chcesz wyrwać się z tradycyjnego modelu w stylu SQL. Ponadto, gdyby istniał w pełni kompatybilny z Django ORM MongoDB, mógłbyś uzyskać z tego trochę czasu. Cokolwiek mniej, a prawdopodobnie będziesz tworzył pracę dla siebie.
Nie pożałujesz bezpośredniego używania PyMongo.
Ostatnią opcją, którą warto obejrzeć, jeśli interesuje Cię maksymalna wydajność, jest asynchroniczna wersja PyMongo, dostępna tutaj:http://github.com/fiorix/mongo-async-python-driver
