MongoDB在Linux上的查询优化技巧

一、索引优化：精准匹配查询需求
索引是MongoDB查询性能的核心支撑，需围绕查询模式设计高效索引结构。

• 选择合适的索引类型：根据查询字段类型选择单字段索引（如db.collection.createIndex({user_id: 1})）、复合索引（多条件查询，如db.collection.createIndex({status: 1, create_time: -1})，注意将选择性高的字段放在前面）、多键索引（数组字段，如tags）、文本索引（全文搜索）或地理空间索引（地理位置查询）。
• 利用覆盖索引减少IO：若查询仅需索引中的字段（如db.collection.find({user_id: 1}, {user_id: 1, _id: 0})），MongoDB可直接从索引返回结果，无需访问实际文档，显著降低磁盘IO。
• 避免过度索引：每增加一个索引都会增加写操作（插入、更新、删除）的开销，并占用更多磁盘空间。定期通过db.collection.getIndexes()审查索引，删除未使用或冗余的索引（可通过$indexStats聚合查看索引使用频率）。
• 优化复合索引顺序：复合索引的字段顺序需遵循“最左前缀原则”，将选择性高（区分度高）的字段放在前面（如status字段有“active”“inactive”两种值，create_time有大量重复值，则顺序应为{status: 1, create_time: -1}）。

二、查询语句优化：减少不必要的开销
查询语句的写法直接影响性能，需遵循“最小化返回、精准过滤”的原则。

• 限制返回结果数量：使用limit()方法避免一次性返回大量数据（如db.collection.find().limit(100)），减少网络传输和客户端处理压力。
• 使用投影精简字段：通过投影参数仅返回需要的字段（如db.collection.find({}, {name: 1, age: 1, _id: 0})），避免传输整个文档（默认包含_id字段，需显式排除）。
• 避免全表扫描：通过explain()方法分析查询计划（如db.collection.find({user_id: 1}).explain("executionStats")），确认是否使用了索引（winningPlan中的stage应为IXSCAN而非COLLSCAN）。
• 避免使用$where：$where会执行JavaScript代码，无法利用索引，性能远低于普通查询条件（如db.collection.find({$where: "this.age > 18"})应改为db.collection.find({age: {$gt: 18}})）。
• 优化分页查询：对于深度分页（如skip(10000).limit(10)），可使用基于游标的分页（记录上一页最后一条记录的_id，下次查询find({_id: {$gt: last_id}}).limit(10)），避免skip的性能衰减。

三、配置优化：适配硬件与业务需求
合理的配置能最大化利用服务器资源，提升查询效率。

• 调整WiredTiger缓存大小：对于WiredTiger存储引擎（MongoDB默认引擎），storage.wiredTiger.engineConfig.cacheSizeGB参数应设置为系统总内存的50%-75%（如16GB内存可设为8-12GB），确保常用数据和索引保留在内存中，减少磁盘IO。
• 优化日志设置：降低日志级别（systemLog.verbosity: 0）可减少日志写入频率，但需平衡故障排查需求；启用日志压缩（systemLog.logAppend: true）可减少日志文件大小。
• 调整网络参数：net.maxIncomingConnections参数应根据并发连接数调整（如设置为1000），避免连接过多导致资源耗尽；net.port设置为合理的端口（默认27017），避免与其他服务冲突。
• 开启操作分析：operationProfiling.mode: "slowOp"可记录慢查询（默认阈值100ms），通过db.currentOp()查看慢查询详情，针对性优化。

四、硬件优化：提升基础性能
硬件是性能的基础，需根据业务规模选择合适的配置。

• 使用SSD替代HDD：SSD的随机读写性能远高于HDD（约10-100倍），能显著提升查询、写入和索引构建速度，尤其适合高并发场景。
• 增加内存容量：内存是MongoDB的“缓存池”，更多的内存可容纳更多索引和热数据，减少磁盘IO（建议内存容量至少为数据量的1/3，若数据量超过内存，需依赖索引优化）。
• 多核CPU：MongoDB支持多线程处理查询，多核CPU可提高并发处理能力（建议选择4核及以上的CPU，如Intel Xeon系列）。

五、分片与复制集：水平扩展与高可用
对于大规模数据或高并发场景，需通过分片和复制集提升性能。

• 使用分片集群：将数据分散到多个分片（服务器）上，水平扩展查询能力。选择合适的分片键（如user_id，需具备高基数和均匀分布特性），避免数据倾斜（如某个分片数据量远大于其他分片）。
• 配置复制集：通过复制集（Primary+Secondary节点）提高读取性能（可将读请求分发到Secondary节点），同时保证数据高可用（Primary节点故障时自动切换）。

六、监控与维护：持续优化性能
定期监控和维护能及时发现性能瓶颈，保持系统稳定。

• 使用内置工具监控：mongostat可实时查看查询、插入、更新等操作的QPS（每秒查询数）和延迟；mongotop可查看集合级别的读写时间分布（如mongotop 10表示每10秒刷新一次）。
• 分析慢查询日志：启用慢查询日志（operationProfiling.slowOpThresholdMs: 100），定期分析慢查询（如db.system.profile.find().sort({ts: -1}).limit(10)），找出性能瓶颈（如未使用索引、全表扫描）。
• 定期重建索引：随着数据增删改，索引会碎片化（db.collection.validate()可查看碎片率），使用db.collection.reIndex()重建索引，优化索引性能。
• 清理无用数据：定期删除过期数据（如日志表中的3个月前数据），减少数据量（可使用db.collection.remove({create_time: {$lt: ISODate("2025-07-01")}})）。