数据库服务器MongoDB索引怎么用?查询计划与索引命中率如何判断

发布人:A5数据发布时间:2026-11-02 12:08阅读量:80

有索引的查询仍然可能很慢:MongoDB 选择了 IXSCAN,却扫描数万条索引键才返回 20 条记录;也可能索引扫描很少,耗时主要来自读取文档、排序或磁盘等待。因此,判断索引是否用对,不能只看“有没有命中”,而要同时看查询计划、扫描量和业务请求的实际延迟。

使用索引的基本方法是:根据筛选条件和排序方式设计索引,再用 explain("executionStats") 核对执行路径。所谓“索引命中率”也需要先说明口径:某个索引被使用的次数、抽样查询中使用索引的比例,以及一次查询扫描索引的效率,是三件不同的事,不能用一个百分比代替。

先明确:索引命中不等于查询高效

MongoDB 的索引保存字段值与文档位置之间的有序关系,使数据库有机会缩小查找范围,并按索引顺序返回结果。没有合适索引时,查询可能执行集合扫描,即计划中常见的 COLLSCAN。但 COLLSCAN 并不必然是错误:小集合、需要读取大部分文档的查询,或特定统计任务,都可能更适合顺序扫描。

判断一次查询,至少要区分以下三个问题:

问题主要观察项能说明什么
是否使用了索引执行计划中的 IXSCAN 等索引扫描节点查询走过索引路径,但不代表扫描范围小
索引是否有效缩小范围totalKeysExamined、totalDocsExamined 与 nReturned为得到结果付出了多少扫描工作
延迟是否满足业务要求应用侧延迟、慢查询记录、CPU 与磁盘指标索引优化是否真正改善了请求体验

例如,两次查询都返回 20 条:一次检查约 22 个索引键、读取约 20 份文档;另一次检查 48,000 个索引键、读取 48,000 份文档。两者都“命中索引”,但后者的索引未能有效定位目标数据。反过来,totalDocsExamined 为 0 不一定异常:所需字段全部可由索引提供时,查询可能不必读取原文档。

因此,不建议把 nReturned / totalKeysExamined 直接命名为通用的“索引命中率”。它可以辅助比较同一种查询的扫描效率,却不适合跨查询机械比较;当返回条数为 0,或查询本来就要处理大量匹配记录时,这个比值尤其容易误导。

MongoDB 为什么会选到“命中却很慢”的索引

以订单列表为例:按租户和状态筛选,按创建时间倒序取最近 20 条,并用 _id 在时间相同时稳定排序。索引需要同时服务于“定位哪些订单”和“按什么顺序取订单”。

对于 tenantId、status 两个等值条件,后面接 createdAt、_id 排序字段的复合索引,通常是值得验证的候选。如果只有 { createdAt: -1 },数据库虽然能沿时间顺序读取,却可能不断跳过其他租户或不符合状态的订单,直到凑够 20 条。数据越集中在无关租户或状态上,扫描代价越明显。

MongoDB 为什么会选到“命中却很慢”的索引配图

复合索引不是把查询中出现的字段简单堆在一起。设计时要考虑:

  • 等值条件与排序的衔接。 查询是否提供索引前部字段的条件,直接影响后续字段能否发挥作用;范围条件放在哪里,也会影响排序能否利用索引顺序。
  • 实际选择性。 status 如果只有少数几个值,单独为它建索引未必能缩小多少范围;与 tenantId 组合后的效果应通过扫描量验证。
  • 返回字段。 查询若还要返回索引中没有的 amount,通常仍需读取文档。覆盖查询可以减少读文档,但不值得为了覆盖而无限增加索引字段。
  • 查询形状是否一致。 条件缺失、排序方向变化、不同的排序字段,可能使同一索引不再适用。复合索引中的排序方向尤其要与实际组合排序一起核对。

MongoDB 会在候选计划中作选择,但“选中了某条索引”不是最终验收标准。数据分布变化、统计信息和不同参数值,都可能让相同查询语句呈现不同的扫描量。对租户数据差异明显的业务,只拿一个数据量很小的租户验证,容易高估优化效果。

哪些因素会改变索引的实际收益

索引本身也消耗资源。每增加一条索引,写入、更新相关字段和删除文档时,数据库都可能需要维护它;索引还会占用磁盘,并增加缓存压力。在数据库服务器上,索引越多不等于查询越快,尤其不能只为消除某一次 COLLSCAN 就持续加索引。

查询条件也可能限制索引收益。例如,部分索引只有在查询条件能够满足其过滤条件时才适合使用;索引字段涉及数组时,还需要留意多键索引对排序及覆盖查询的限制。字段的排序规则若与查询使用的排序规则不一致,也不能仅凭字段名相同判断索引可用。这些场景应以实际计划为准,而不是套用单一的字段排列公式。

还要把扫描代价与服务器资源分开看。假设一次查询只检查几十个索引键,但应用仍持续感到慢,可以继续检查高并发下的 CPU 使用率、磁盘读延迟、可用内存、缓存压力,以及请求是否在等待数据库连接。索引减少的是查找工作,不能代替连接池容量规划,也不能消除网络传输和应用处理时间。

相反,如果磁盘读取繁忙,同时查询反复检查大量键和文档,应先确认是否存在低效计划;单纯增加内存可能缓解部分读取,却不会改变每次请求需要扫描大量记录的事实。

用查询计划验证,而不是只看索引名称

以下示例使用 mongosh。先对实际慢的查询形状执行只读的 explain;示例字段、时间范围及返回数量应换成业务中的真实条件。limit(20)、投影字段和排序方式都应尽量与应用请求保持一致,否则验证的可能不是同一个问题。

const filter = {
  tenantId: "tenant-17",
  status: "paid",
  createdAt: { $gte: ISODate("2025-01-01T00:00:00Z") }
};

db.orders.find(
  filter,
  { tenantId: 1, status: 1, createdAt: 1, amount: 1 }
).sort({
  createdAt: -1,
  _id: -1
}).limit(20).explain("executionStats");

阅读结果时,先确认获胜计划中是否存在集合扫描、索引扫描,以及是否需要额外排序或读取文档。计划可能包含多层节点,不能只看最外层的 stage;不同执行引擎及版本的计划展示形式也可能不同。

随后重点比较 executionStats 中的 nReturned、totalKeysExamined 和 totalDocsExamined。例如,某次结果为“返回 20 条、检查 48,000 个键、检查 48,000 份文档”,值得继续调查索引前部字段是否覆盖了租户与状态条件。若返回 0 条,不要计算“每条结果扫描量”;应直接核对扫描范围是否合理,并检查查询值与时间范围。

对于上述固定查询形状,可以评估如下复合索引:

db.orders.createIndex(
  { tenantId: 1, status: 1, createdAt: -1, _id: -1 },
  { name: "tenant_status_time_id" }
);

createIndex 会修改数据库结构,并占用存储及构建资源。执行前应确认集合与索引名称、具备授权、保存现有索引定义和可用备份,并在可控时段评估对读写业务的影响;不要未经评估直接在繁忙生产库上试建。其影响范围是该集合的索引维护与相关查询计划,而不是仅影响示例查询。

建成后,用同样的过滤、排序、投影和返回数量重新执行 explain。较理想的示例结果是返回 20 条,检查约 20~30 个键,并读取数量接近返回数的文档;由于示例投影包含 amount,不应预期文档检查数必然为 0。若扫描量下降而实际延迟未改善,再结合缓存、磁盘和并发指标判断瓶颈是否已转移。

还应观察一段具有代表性的业务流量,而不只比较两次 executionTimeMillis。explain 显示的是该次计划执行信息,不能完整代表应用侧的网络往返、连接等待和高并发状态。对比时尽量保持数据规模、请求参数和负载条件接近,并同时留意写入延迟是否因新增索引而上升。

若验证表明该索引弊大于利,回退方式是在确认其他查询未依赖它之后,删除这条新增索引,而不是删除集合或数据:

db.orders.dropIndex("tenant_status_time_id");

删除索引同样会改变数据库结构和相关查询计划,应在保留原索引定义、确认备份可用并评估业务依赖后执行。若后续需要恢复,可依据保存的定义重新构建;重建期间的资源消耗仍需评估。

“索引命中率”应按用途分别统计

MongoDB 可以查看索引访问统计,例如:

db.orders.aggregate([{ $indexStats: {} }]);

输出中的访问次数可帮助识别哪些索引在统计窗口内被使用。但它表示索引访问活动,不是“查询命中索引的百分比”,更不能证明某条索引高效。解读时要留意统计窗口起点,以及实例重启、统计重置和不同节点各自统计带来的口径差异;访问次数低也不等于索引可以立即删除,它可能服务于低频但重要的查询。

如果业务确实需要一个“使用索引的查询占比”,应先定义统计范围:例如在固定时间窗内,对某类订单列表请求按执行计划分类,再按请求次数计算使用索引的比例。同时单独记录该类请求的扫描量与延迟分布。只从慢查询样本计算比例,会遗漏大量正常请求;只看索引访问次数,又无法得知总请求数。

最终判断边界很明确:IXSCAN 回答“用了没有”,扫描键数和文档数回答“用得是否有效”,应用延迟与服务器资源回答“是否解决了慢查询”。索引方案成立,应表现为代表性参数下扫描量受控、目标请求延迟改善,并且索引维护成本在写入与存储预算内;任何一个条件未验证,都不宜仅凭“索引命中”宣告优化完成。

MongoDB索引能否发挥作用,既取决于索引设计,也离不开数据库运行所需的硬件与网络资源。A5idc数据提供香港、美国、日本等地区的物理服务器,涵盖Xeon Gold、AMD EPYC平台及SSD、NVMe存储配置,可为数据库、业务后台和接口服务提供不同的计算与存储资源基础;多地区部署选择也能对应不同业务的访问区域和网络需求。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/7089.html

相关推荐