【后端高阶面经：MongoDB篇】40、怎么优化MongoDB的查询性能？

一、索引优化：构建高效查询的基石

（一）索引类型与适用场景

1. 五大核心索引类型

2. 复合索引设计黄金法则（ESR原则）

• E（Equality等值查询）：优先放置等值查询字段（如user_id）
• S（Sort排序）：其次放置排序字段（如create_time）
• R（Range范围查询）：最后放置范围查询字段（如price）
  示例：

// 查询：status=paid + 按create_time降序 + price>100
db.orders.createIndex({ status: 1, create_time: -1, price: 1 })

（二）覆盖索引与避免回表

1. 覆盖索引原理

• 定义：索引包含查询所需的所有字段，无需访问文档数据
• 优势：减少磁盘I/O，提升查询速度
  示例：

// 创建覆盖索引（包含status、create_time、amount）
db.orders.createIndex({ status: 1, create_time: -1 }, { amount: 1 })

// 使用覆盖索引查询
db.orders.find(
  { status: "paid" }, 
  { create_time: 1, amount: 1 } // 字段均在索引中
).hint("status_1_create_time_-1") // 强制使用索引

2. 回表优化对比

二、查询模式优化：减少数据扫描量

（一）规避全集合扫描

1. 低效操作符优化

2. 前缀匹配优化

// 反例：后缀匹配（无法使用索引）
db.users.find({ email: /@gmail.com$/ })

// 正例：前缀匹配（可使用索引）
db.users.find({ email: /^admin/ })

（二）分页查询性能优化

1. 传统分页（skip+limit）的缺陷

• 问题：skip(n)会扫描前n条文档，深度分页时性能骤降
• 示例：db.orders.find().skip(100000).limit(10)需扫描100010条文档

2. 游标分页（基于排序字段）

// 按时间戳排序，记录最后一条的时间戳
const lastTime = new Date("2023-10-01T00:00:00");

// 下一页查询
db.orders.find({ 
  create_time: { $lt: lastTime } 
}).sort({ create_time: -1 }).limit(10)

3. 键值分页（基于_id）

// 记录最后一条的_id
const lastId = ObjectId("6401f015f9b1b4f2a1c000001");

// 下一页查询
db.orders.find({ 
  _id: { $gt: lastId } 
}).sort({ _id: 1 }).limit(10)

（三）聚合管道优化

1. 管道阶段顺序优化

• 原则：尽早过滤数据（$match前置），减少后续阶段处理量
  示例：

// 反例：先分组再过滤（处理全量数据）
db.sales.aggregate([
  { $group: { _id: "$product", total: { $sum: "$amount" } } },
  { $match: { total: { $gt: 1000 } } }
])

// 正例：先过滤再分组（仅处理符合条件的数据）
db.sales.aggregate([
  { $match: { amount: { $gt: 10 } } }, // 前置过滤
  { $group: { _id: "$product", total: { $sum: "$amount" } } }
])

2. 使用索引加速聚合

// 创建复合索引
db.sales.createIndex({ product: 1, amount: 1 })

// 聚合时使用索引
db.sales.aggregate([
  { $match: { product: "P001" } },
  { $group: { _id: null, total: { $sum: "$amount" } } }
]).hint({ product: 1, amount: 1 })

三、分片集群优化：水平扩展查询能力

（一）分片键选择策略

1. 三大分片键类型对比

2. 分片键设计禁忌

• 避免低基数字段：如status（仅少数取值，导致数据倾斜）
• 避免频繁更新字段：如last_login（影响分片稳定性）

3. 分片集群部署示例

（二）分片集群查询流程

1. 路由阶段：mongos解析查询，确定目标Shard
2. 并行查询：各Shard执行本地查询（利用本地索引）
3. 结果合并：mongos聚合各Shard结果，返回客户端

优化点：

• 确保分片键包含在查询条件中，避免全分片扫描
• 为每个Shard的本地集合创建复合索引

四、硬件与配置调优：释放底层性能

（一）内存配置最佳实践

1. WiredTiger引擎参数

# mongod.conf配置示例
storage:
  wiredTiger:
    engineConfig:
      cacheSizeGB: 32  # 建议为物理内存的50%-80%，确保索引常驻内存
    collectionConfig:
      blockSize: 4096  # 减小块大小，提升小文档查询效率

2. 内存使用监控

# 查看内存使用情况
db.serverStatus().mem
# 关键指标：
# - "resident"：常驻内存大小（理想值接近cacheSizeGB）
# - "virtual"：虚拟内存使用（应避免过高，否则触发swap）

（二）磁盘与文件系统优化

1. 存储介质选择

2. 文件系统配置

# 禁用透明大页（THP）提升性能
echo never > /sys/kernel/mm/transparent_hugepage/enabled

# XFS文件系统挂载选项
mount -t xfs -o noatime,nodiratime /dev/nvme0n1p1 /data/mongodb

（三）读写关注调优

1. 写入关注（Write Concern）

2. 读取关注（Read Preference）

// 从Secondary节点读取（读扩展）
db.orders.find().readPreference("secondaryPreferred")

// 从最近的节点读取（全球部署）
db.orders.find().readPreference("nearest")

五、监控与分析：定位性能瓶颈

（一）执行计划分析（Explain）

1. 核心指标解析

const plan = db.orders.find({ status: "paid" }).explain("executionStats")

2. 优化示例

// 优化前：COLLSCAN（全表扫描）
db.orders.find({ customer: "Alice" }).explain()

// 优化后：IXSCAN（索引扫描）
db.orders.createIndex({ customer: 1 })
db.orders.find({ customer: "Alice" }).explain()

（二）慢查询日志

1. 配置慢查询监控

# mongod.conf
operationProfiling:
  mode: slowOp
  slowOpThresholdMs: 100  # 慢查询阈值（毫秒）
  slowOpSampleRate: 1.0   # 采样率（1.0表示记录所有慢查询）

2. 分析慢查询日志

# 查看慢查询统计
db.system.profile.find({
  ts: { $gt: new Date("2023-10-01") },
  millis: { $gt: 100 }
}).sort({ millis: -1 })

六、实战案例：电商订单系统性能优化

（一）场景描述

• 数据规模：订单量10亿条，日均新增100万条
• 高频查询：
  1. 按用户ID查询最近100条订单（user_id + create_time）
  2. 统计已支付订单总量（status=paid）
  3. 按日期范围查询订单金额分布（create_time + amount）

（二）优化前性能指标

（三）优化方案实施

1. 索引优化

// 用户订单查询索引（覆盖查询）
db.orders.createIndex({ 
  user_id: 1, 
  create_time: -1 
}, { 
  amount: 1, 
  status: 1 
})

// 支付统计索引
db.orders.createIndex({ status: 1 })

// 范围查询索引
db.orders.createIndex({ create_time: 1, amount: 1 })

2. 分片策略

// 哈希分片（用户ID均匀分布）
sh.shardCollection("ecommerce.orders", { user_id: "hashed" })

3. 查询改写

// 优化后用户订单查询（游标分页）
const lastTime = new Date("2023-10-05T00:00:00");
db.orders.find({
  user_id: "U123",
  create_time: { $lt: lastTime }
}).sort({ create_time: -1 })
.limit(100)
.hint("user_id_1_create_time_-1")

（四）优化后性能指标

七、面试核心考点与应答策略

（一）基础问题

1. Q：如何判断查询是否使用了索引？
   A：使用explain()分析执行计划，若stage为IXSCAN则命中索引；查看totalDocsExamined是否接近查询结果数，若远大于则可能全表扫描。

2. Q：复合索引的字段顺序如何影响性能？
   A：遵循ESR原则：等值查询字段→排序字段→范围查询字段。例如，查询status=paid AND time>2023-01-01 AND sort by amount，索引应为{status:1, time:1, amount:1}。

（二）进阶问题

1. Q：深度分页为什么慢？如何优化？
   A：

   • 原因：skip(n)需扫描前n条文档，时间复杂度O(n)
   • 优化：
     1. 使用search_after基于排序字段分页
     2. 记录最后一条的排序值，通过范围查询替代skip

     db.orders.find({ create_time: { $lt: last_time } }).sort({ create_time: -1 }).limit(10)
     

2. Q：分片集群中如何避免数据倾斜？
   A：

   • 选择高基数分片键（如用户ID哈希）
   • 监控块分布，通过sh.rebalanceShard()手动迁移热点块
   • 启用自动平衡器（默认开启），调整块大小（如256MB）

（三）架构设计问题

Q：设计一个千万级数据的查询系统，如何优化MongoDB性能？
回答思路：

1. 索引层：
   • 为高频查询字段创建复合索引，确保覆盖查询
   • 使用文本索引优化全文搜索场景
2. 集群层：
   • 分片集群部署，哈希分片键均匀分布数据
   • 独立部署mongos节点，横向扩展路由能力
3. 存储层：
   • 使用SSD存储热数据，HDD存储冷数据
   • 调整WiredTiger缓存大小，确保索引常驻内存
4. 查询层：
   • 避免skip深度分页，改用游标分页
   • 聚合查询前置过滤条件，减少数据处理量

八、性能优化的黄金法则

（一）索引优先原则

• 80%的性能问题可通过优化索引解决，优先分析查询是否命中索引
• 定期清理冗余索引（db.xxx.getIndexes()），减少写入开销

（二）数据分片原则

• 单集合数据量超过1TB时启用分片，分片键选择需平衡查询与分布
• 每个Shard节点数≥3（1主2从），确保高可用

（三）监控驱动原则

• 建立常态化监控：索引使用率、慢查询频率、分片负载均衡
• 使用mongostat实时监控节点状态，mongotop分析读写分布

（四）渐进优化原则

1. 分析：通过explain()和慢查询日志定位瓶颈
2. 验证：小范围测试优化方案（如灰度环境）
3. 部署：滚动更新索引或分片配置，避免服务中断
4. 监控：对比优化前后性能指标，持续迭代