O que é o mflix e por que as pessoas querem baixar
O mflix é o conjunto de dados de exemplo da MongoDB que simula uma plataforma de streaming parecida com a Netflix. Contém coleções de filmes, reviews de usuários, comentários e informações de casting. Você encontra ele sendo usado em quase todos os tutoriais da documentação oficial, cursos online e workshops de MongoDB. As pessoas baixam porque precisam testar queries em um banco real, fazer benchmark de agregação ou montar projetos práticos sem depender de dados fictícios gerados manualmente. O problema é que o mflix não é um arquivo único pra descompactar e pronto. Ele é um dump MongoDB que precisa ser restaurado via mongorestore, e isso gera dor de cabeça pra quem não tá familiarizado com o fluxo. A versão mais comum que aparece nas buscas é a que vem com cerca de 25 mil documentos de filmes e milhares de reviews, dependendo da versão exata do dump.
mflix download — como obter e restaurar corretamente
A forma mais confiável de pegar o mflix é pelo repositório oficial do MongoDB na GitHub. O repo mongo-blog tem os dumps em BSON organizados por coleção dentro de uma pasta específica. Você baixa o repositório inteiro ou faz o clone direto. Se quiser velocidade, use git clone com a opção --depth 1 porque você não precisa do histórico completo, só dos arquivos BSON. Depois de baixar, o processo de restauração segue estes passos. Primeiramente verifique se o mongod tá rodando na sua máquina. Se não tiver instalado, o caminho mais rápido é usar o Docker com a imagem oficial do MongoDB em vez de instalar nativamente no Windows, porque o tratamento de paths no Windows com mongorestore costuma dar erro de permissão nos arquivos BSON se não configurar o volume corretamente.
O comando básico de restore é: mongorestore --drop ./mflix-dataset/raw_bson/
O flag --drop é importante porque remove as coleções existentes antes de inserir, evitando duplicação se você já tiver rodado isso antes. Sem o --drop, o mongorestore insere por cima sem limpar, e em pouco tempo você acaba com dados duplicados causando erro de unique key nos índices que o mflix espera encontrar. Um problema específico que eu encontrei várias vezes: ao restaurar o dump em máquinas com menos de 8GB de RAM, o processo de criação dos índices após a carga dos dados travava o serviço. O mongod entrava em estado de troca excessiva de página. A solução foi interromper a restauração, rodar o mongorestore com --noIndexRestore primeiro, e só depois criar os índices manualmente com createIndex no mongo shell. Isso cortou o tempo total de setup de uns 20 minutos para cerca de 7 minutos na minha máquina, e evitou o crash.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Se você tá usando o Docker, o volume precisa ser montado corretamente. No macOS e Linux funciona direto, mas no Windows o WSL2 pode ter problemas de encode de path com caracteres especiais nos nomes das pastas do dump. Rename a pasta do mflix para algo simples como mflix_dump antes de rodar o mongorestore por dentro do container.
Informações úteis sobre o dataset
As principais coleções que você vai encontrar são movies, comments, mflix_accounts e mflix. Cada coleção tem seus próprios requisitos de índice. O movies tem mais de 25 mil documentos e usa campos como title, year, rated, cast e genres com frequência. O mflix_accounts é usado para simular autenticação de usuários em apps de exemplo, com campos username e password em texto plano porque é só pra testes. Um detalhe que poucos mencionam: o mflix não vem com dados consistentes entre as coleções em todas as versões do dump. Às vezes o comentário de um usuário referencia um movie_id que não existe na coleção movies porque o dump foi gerado em momentos diferentes com sets de dados ligeiramente distintos. Se você fizer join entre comments e movies esperando correspondência perfeita, vai encontrar nulls inesperados. Isso é normal e não indica erro na restauração.
Outro ponto prático: se seu objetivo é apenas aprender agregação e não precisa dos comentários inteiros, você pode pular a restauração da coleção comments e salvar tempo. Ela representa cerca de 40 por cento do volume total do dump. Restaurar só as coleções movies e mflix em uma máquina com 4GB de RAM é viável e leva aproximadamente 3 minutos. Uma limitação séria do mflix que vale saber: ele não é representativo de um cenário real de produção. Os dados são sintéticos, com distribuições artificiais de year, rated e genres. Queries que funcionam rápido no mflix podem se comportar completamente diferente em dados reais porque o planner do MongoDB calcula estatísticas diferentes quando a cardinalidade e a distribuição dos valores variam. Não use o mflix pra validar performance de índices antes de testar com dados próximos do seu cenário real. A economia de tempo é real mas a confiança nos resultados é baixa para esse propósito.
Para quem precisa de algo mais próximo do real, o outro set de dados que costuma ser sugerido como alternativa é o sample_airbnb ou o.sample_geospatial, dependendo do que você quer treinar. Ambos têm estrutura mais complexa e melhor representam edge cases que aparecem em produção.
