Poslední aktualizace: 20 Aug, 2026

Storing Emails in Databases vs. File Systems: PST, MBOX, and Beyond

Ukládání e‑mailů v databázích vs. souborových systémech: PST, MBOX a další

Každý softwarový systém, který přijímá, archivuje nebo poskytuje e‑mail, nakonec narazí na stejnou architektonickou rozcestí: měly by zprávy žít uvnitř strukturované databáze nebo přímo v souborovém systému?

Na první pohled se e‑mail jeví klamavě jednoduše — blok hlaviček, tělo v prostém textu nebo HTML a možná několik příloh kódovaných MIME. Přesto když přejdete od jedné uživatelské desktopové schránky k milionům firemních zpráv, archivům pro soulad nebo multi‑tenantním SaaS pipeline, podkladový úložný engine určuje vše od latence dotazů po obnovu po havárii.

Rozebráme, jak se klasické souborové kontejnery jako PST a MBOX staví proti moderním relačním a NoSQL databázím, kde zapadají jednotlivé formáty zpráv jako EML a Maildir, a proč většina produkčních systémů končí používáním hybridního přístupu.

1. Ukládání v souborovém systému: Klasické poštovní kontejnery

Ukládání e‑mailů do souborového systému je tak staré jako samotný SMTP. Místo spouštění databázového démona servery pošty a desktopoví klienti historicky zapisovali zprávy přímo na disk buď pomocí kontejnerů v jednom souboru, nebo adresářů s jedním souborem na zprávu.

MBOX: Spojený prostý textový pracovní kůň

Původně v raných unixových poštovních systémech MBOX ukládá celou složku e‑mailů do jediného sekvenčního souboru prostého textu. Každá zpráva začíná speciální řádkem oddělovače From , po něm následují standardní hlavičky RFC 5322, tělo zprávy a přílohy kódované v Base64.

  • Silné stránky: Protože MBOX je otevřený, lidsky čitelný textový formát, je univerzálně podporován v Thunderbird, Apple Mail, exportech Google Takeout a unixových nástrojích příkazové řádky (grep, awk, sed). Přidání nově doručeného e‑mailu na konec souboru je sekvenční zápis s časovou složitostí $O(1)$.
  • Slabé stránky: Aktualizace příznaků (např. označení e‑mailu jako „přečtený“) nebo mazání zprávy uprostřed 10 GB souboru MBOX nutí klienta přepsat obrovské části souboru. Navíc může jediná korupce sektoru disku nebo selhání souběžného zápisu zamknout oddělovače a rozbít celou poštovní schránku.

PST: Proprietární B-stromový kontejner Microsoftu

Microsoft Personal Storage Table (PST) používá naprosto odlišný přístup. Místo prostého textu je soubor PST v podstatě samostatný binární databázový soubor strukturovaný kolem B-stromů a alokačních tabulek.

  • Silné stránky: Jednoduchý soubor .pst obsahuje e‑maily, hierarchii složek, kalendářní události, kontakty, úkoly a specifická metadata Outlooku. Podporuje vestavěnou kompresi, šifrování a strukturované indexování bez potřeby externího databázového serveru.
  • Slabé stránky: PST je uzavřený, proprietární formát úzce spjatý s Windows a Microsoft Outlook. Velikost souborů historicky dosahuje přibližně 50 GB jako výchozí limit v moderních konfiguracích Outlooku a ukládání souborů PST na síťové sdílení je proslulé způsobováním poškození indexu.

Maildir a EML: Jeden soubor na zprávu

Aby se odstranily problémy se zamykáním a poškozením monolitických souborů MBOX a PST, architektury jako Maildir (popularizovaný Qmail a Dovecot) ukládají každý jednotlivý e‑mail jako samostatný soubor — často strukturovaný jako standardní soubory .eml (RFC 5322) — uspořádané v adresářích tmp/, new/ a cur/.

  • Silné stránky: Atomické přesuny souborů eliminují soutěžení o zámky. Pokud selže sektor disku, ztratíte jeden e‑mail místo deseti let korespondence. Standardní zálohy OS, rsync a inkrementální snímky se stanou bez námahy.
  • Slabé stránky: Ukládání milionů malých souborů vyčerpává inody souborového systému a snižuje výkon výpisu adresářů, pokud nerozdělíte adresáře podle data nebo hash (např. /2026/11/14/a3/msg-id.eml). Full‑textové vyhledávání v surových souborech .eml je bolestivě pomalé bez samostatného indexového souboru.

2. Úložiště v databázi: Relační a NoSQL enginy

Když aplikace potřebují okamžité vyhledávání, souběžný přístup více uživatelů, řízení přístupu na základě rolí nebo složité analytické funkce (např. CRM platformy, helpdesky a nástroje eDiscovery), inženýři často sáhnou po databázích jako PostgreSQL, MySQL, Elasticsearch nebo MongoDB.

Jak databáze modelují e‑mail

V relační databázi není e‑mail uložen jako neprůhledný blob – je normalizován do dotazovatelných entit:

CREATE TABLE emails (
    id UUID PRIMARY KEY,
    thread_id UUID NOT NULL,
    message_id VARCHAR(255) UNIQUE NOT NULL,
    sender VARCHAR(320) NOT NULL,
    subject TEXT,
    received_at TIMESTAMPTZ NOT NULL,
    is_read BOOLEAN DEFAULT FALSE,
    headers JSONB,
    body_text TEXT,
    body_html TEXT
);

CREATE INDEX idx_emails_thread_received ON emails (thread_id, received_at DESC);
CREATE INDEX idx_emails_fts ON emails USING GIN (to_tsvector('english', coalesce(subject, '') || ' ' || coalesce(body_text, '')));

Silné stránky úložiště v databázi

  1. Filtrace a vláknování pod milisekundu: Načítání „všech nepřečtených e‑mailů z konkrétní domény za posledních 30 dnů“ používá B‑tree a GIN indexy místo prohledávání gigabajtů textu na disku.
  2. ACID transakce a souběžnost: Více pracovních procesů na pozadí, procesy synchronizace IMAP a weboví klienti mohou bezpečně současně aktualizovat stavy čtení, štítky a přiřazení složek bez kolizí souborových zámků.
  3. Strukturovaná metadata a deduplikace: Ukládání SHA-256 hashů příloh vám umožňuje deduplikovat identické PDF odeslané více než 500 interním příjemcům — což monolitické soubory PST nebo MBOX duplikují 500krát.

Slabé stránky úložiště v databázi

  1. Nadměrná velikost úložiště a náklady: Ukládání vícemegabajtových Base64 příloh a surových HTML těles uvnitř hlavních tabulek databáze zvětšuje velikost databáze, zpomaluje replikaci, nafukuje zápisové logy (WAL) a zvyšuje náklady na SSD/cloud IOPS.
  2. Úzká místa zálohování a obnovy: Obnovení 2 TB relační databáze ze snímku trvá výrazně déle než obnovení jednotlivých souborů z objektového úložiště.
  3. Ztráta surové věrnosti přenosu: Pokud rozparsujete příchozí e‑mail do sloupců databáze a zahodíte původní MIME stream, můžete poškodit kryptografické podpisy DKIM nebo ztratit neobvyklé vlastní hlavičky potřebné pro forenzní audit.

3. Porovnání vedle sebe: Souborové systémy vs. databáze

Architektonický faktorMBOX (plochý soubor)PST (binární kontejner)Maildir / EML (per souboru)SQL / NoSQL databáze
Struktura úložištěJednoduchý spojený textový souborProprietární binární B‑stromový souborJeden soubor RFC 5322 na e‑mailNormalizované tabulky / JSON dokumenty
Rychlost dotazování a vyhledáváníPomalé (vyžaduje lineární skenování nebo externí index)Rychlé v Outlooku; pomalé externěPomalé bez sidecar indexuExtrémně rychlé (B-tree, GIN, full-text)
SouběžnostŠpatná (vyžaduje zamykání na úrovni souboru)Zamykání pouze pro jednosuživatelský desktopVysoká (atomické operace souboru)Vysoká (zámky na úrovni řádku ACID)
Rozsah poškozeníVysoká (celá složka/poštovní schránka v ohrožení)Vysoká (jediný soubor obsahuje celou poštovní schránku)Nízká (izolováno na jedinou zprávu)Střední (zmírněno WAL a replikami)
PřenositelnostVysoká (otevřený standard napříč Unix/Mac/Linux)Nízká (vázáno na ekosystém Microsoft)Nejvyšší (univerzální standard .eml)Nízká (spojeno se schématem aplikace)
Deduplication přílohŽádnéOmezená interní kompreseŽádná (pokud není hard-linkováno)Nativní pomocí hashování založeného na obsahu

4. Za binární volbou: Moderní hybridní architektura

V moderním cloudovém inženýrství je výběr striktně mezi databází nebo souborovým systémem falešná dichotomie. Vysoce škálované e‑mailové platformy, archivní systémy pro soulad a SaaS nástroje téměř univerzálně přijímají Hybridní architekturu objekt‑metadata:

  1. Surová zpráva a přílohy v objektovém úložišti (S3 / GCS / MinIO): Když dorazí e‑mail, přesná, nezměněná .eml MIME část – a jakékoli extrahované binární přílohy – jsou neproměnitelně zapsány do objektového úložiště pomocí klíče založeného na obsahu nebo rozděleného podle data (např. s3://mail-archive/2026/11/14/<sha256>.eml). To zachovává původní DKIM podpisy, udržuje náklady na úložiště na úrovni několika centů za gigabajt a odděluje velké binární soubory od transakčních databází.
  2. Hlavičky, stav a vztahy v relační databázi: PostgreSQL nebo MySQL ukládá lehkou metadata: odesílatel, příjemci, předmět, časová razítka, ID vláken, ukazatele složek, příznaky přečteno/nepřečteno a klíč objektu v S3.
  3. Fulltextové vyhledávání v dedikovaném vyhledávači: Pro okamžité vyhledávání klíčových slov napříč miliardami zpráv je extrahovaný prostý text asynchronně streamován do Elasticsearch, OpenSearch nebo Typesense.
  4. Exportní pipeline pro PST a MBOX: Místo používání PST nebo MBOX jako živého produkčního úložiště moderní systémy generují archivy .pst, .mbox nebo .zip souborů .eml na vyžádání, když uživatelé požadují export ve stylu Google Takeout nebo právní balíček eDiscovery.

Který přístup byste měli zvolit?

  • Použijte MBOX nebo EML v souborovém systému při vytváření lokálních desktopových klientů, lehkých CLI nástrojů, přenosných záloh nebo forenzních datových přenosových pipeline, kde je nejdůležitější přenositelnost bez závislostí.
  • Použijte PST pouze v případě, že interoperabilita s desktopovými prostředími Microsoft Outlook nebo staršími exporty Exchange je přísnou podmínkou.
  • Použijte hybrid databáze + objektového úložiště pro jakoukoli víceuživatelskou webovou aplikaci, platformu zákaznické podpory nebo podnikový archiv vyžadující rychlé vyhledávání, souběžný přístup a horizontální škálovatelnost.

Často kladené otázky (FAQ)

1. Je lepší ukládat e‑maily do databáze nebo jako soubory na disku? Pro aplikace s vysokou souběžností, které potřebují rychlé vyhledávání a filtrování, je nejlepší hybridní přístup – ukládání prohledávatelných metadat do databáze a surových souborů .eml nebo příloh do objektového úložiště.

2. Jaký je hlavní rozdíl mezi formáty souborů PST a MBOX? PST je proprietární binární kontejner Microsoft Outlook, který ukládá e‑maily, kalendáře a kontakty společně, zatímco MBOX je otevřený formát prostého textu, který spojuje e‑mailové zprávy do jediného souboru.

3. Proč se velké soubory MBOX a PST stávají náchylnými k poškození? Protože oba formáty balí tisíce zpráv do jednoho monolitického souboru, přerušení zápisu, chyba sektoru disku nebo výpadek síťového sdílení může poškodit interní ukazatele nebo oddělovače zpráv v celém archivu.

4. Proč se nedoporučuje ukládat e‑mailové přílohy přímo do SQL databází? Velké binární nebo Base64 přílohy nafouknou tabulky databáze, zpomalí zálohování a replikaci a dramaticky zvýší náklady na vysokorychlostní úložiště ve srovnání s objektovým úložištěm nebo souborovými systémy.

5. Kdy by měli vývojáři použít EML nebo Maildir místo MBOX? Vývojáři by měli zvolit EML nebo Maildir, když potřebují atomické operace se soubory, bezpečný souběžný přístup a izolované obnovení zpráv bez zamykání nebo přepisování celého souboru poštovní schránky.

Viz také