MongoDB性能分析和优化1（explain演示）

MongoDB 查询分析可以确保我们建议的索引是否有效，是查询语句性能分析的重要工具。
MongoDB 查询分析常用函数有：explain() 和 hint()。
先给小伙伴们进行explain演示，hint演示请看下一篇博客。

1. explain演示
在数据量和吞吐量越发庞大的今天，优化查询速度是提高系统性能的一个关键点，而获取这类相关信息的重要诊断工具之一就是explain()，引用《MongoDb权威指南》书中的解释：
通过查看一个查询（find）的explain()输出信息，可以知道查询使用了哪个索引，以及是如何使用的。
最常见的输出有两种类型：使用索引的查询和没有使用索引的查询
（1）构建数据
为了方便演示，我需要先创建一个没有索引的表，如下图：

（2）explain使用
1.创建索引

db.collection.createIndex(keys, options)

keys由文档字段和索引类型组成。如{“name”:1}
key 表示字段 value 1,-1 1表示升序，-1降序
示例：db.getCollection('u_friends').createIndex({"status":1})
2. 查看索引

db.collection.getIndexes()

示例：db.getCollection('u_friends').getIndexes()

3.删除索引

db.collection.dropIndex(index) 

删除指定的索引。

db.collection.dropIndexes() 

删除除了_id 以外的所有索引。

示例： db.getCollection('u_friends').dropIndex("status_1")
4. 创建复合索引

  db.collection.createIndex(keys, options,keys1,options1)

示例：db.getCollection('u_friends').createIndex({"status":1,"offlineNoPushMsg":1})
5. 其他操作
给字段name 创建索引并命名为myindex
示例：db.userdatas.createIndex({"name":1},{"name":"myindex"})

当mongodb 集合里面的数据过大时 创建索引很耗时，可以在放在后台运行。
示例： db.userdatas.createIndex({"name":1},{"name":"myindex","background":true})

给age 字段创建唯一索引

db.userdatas.createIndex({"age":-1},{"name":"ageIndex","unique":true,"sparse":true})

总结
1:创建索引时,1表示按升序存储,-1表示按降序存储。
2:可以创建复合索引,如果想用到复合索引,必须在查询条件中包含复合索引中的前N个索引列
3: 如果查询条件中的键值顺序和复合索引中的创建顺序不一致的话,
MongoDB可以智能的帮助我们调整该顺序,以便使复合索引可以为查询所用。
4: 可以为内嵌文档创建索引,其规则和普通文档创建索引是一样的。
5: 一次查询中只能使用一个索引,$or特殊,可以在每个分支条件上使用一个索引。
6: $where,$exists不能使用索引,还有一些低效率的操作符,比如:$ne,$not,$nin等。
7: 设计多个字段的索引时,应该尽量将用于精确匹配的字段放在索引的前面。

1.现实开发中，常用的是executionStats模式，主要分析这种模式。
explain()必须放在语句最后面
示例：db.getCollection('u_friends').find({'status':{"$eq":2}}).explain()

返回结果包含两大块信息，一个是queryPlanner，即查询计划，还有一个是serverInfo，即MongoDB服务的一些信息。那么这里涉及到的参数比较多，我们来一一看一下：

executionStats会返回最佳执行计划的一些统计信息，如下：


allPlansExecution用来获取所有执行计划，结果参数基本与上文相同

（3） 无索引查询

从上图中，我们看到了三个圈圈，这些都是我们在find中非常重要的信息，具体信息解释如下：
<1>COLLSCAN：就是所谓的“集合扫描”，下图有详解

<2> nReturned：就是说最后返回的num个数，从图中可以看到，就是最终返回了三条

<3> docsExamined：就是documentsExamined，检查了10个documents，而从返回上面的nReturned

从上面三个信息中我们可以得出，原来我examine 10 条数据，最终才返回3条，说明做了7条数据扫描的无用功
Stage状态分析
stage 描述
COLLSCAN 全表扫描
IXSCAN 扫描索引
FETCH 根据索引去检索指定document
SHARD_MERGE 将各个分片返回数据进行merge
SORT 表明在内存中进行了排序
LIMIT 使用limit限制返回数
SKIP 使用skip进行跳过
IDHACK 针对_id进行查询
SHARDING_FILTER 通过mongos对分片数据进行查询
COUNT 利用db.coll.explain().count()之类进行count运算
COUNTSCAN count不使用Index进行count时的stage返回
COUNT_SCAN count使用了Index进行count时的stage返回
SUBPLA 未使用到索引的$or查询的stage返回
TEXT 使用全文索引进行查询时候的stage返回
PROJECTION 限定返回字段时候stage的返回

那么这个时候问题就来了，该如何减少examine的documents呢？

（4） 索引查询

我们就可以进行针对性的建立索引，比如在quality字段之上，当我们执行完createindex之后，再次explain，4个重要的parameters就漂下来了：
<1> IXSCAN：这个时候再也不是所谓的COLLSCAN了，而是IndexScan，这就说明我们已经命中索引了。

<2> nReturned,totalDocsExamined，totalKeysExamined：从图中可以看到三个参数都是3，这就说明我们的mongodb查看了3个key，3个document，返回3个文档

匹配文档和被扫描文档数量之间的巨大差异意味着，要提高效率，可以使用索引对该查询进行优化。