MongoDB索引慢查询治理：从入门到精通

▌ 技术引导

MongoDB 的索引慢查询治理是性能优化中最容易被忽视但却最致命的问题。索引不是万能的，但没有索引绝对是灾难。我见过很多线上系统因为索引设计不当导致查询响应时间从几毫秒直接飙升到几秒甚至几十秒，最恶劣的场景下，一个没有正确索引的聚合查询会把 CPU 占满，把内存干到爆。所以索引的选型和维护必须从设计阶段就开始，而不是在查询慢了才想起来。索引的类型、字段顺序、组合方式、是否启用压缩、是否使用分片等都会影响最终性能，不能随便堆砌。用 explain 和 indexStats 这两个工具，能在 5 分钟内帮你找到 90% 的性能瓶颈。索引的维护不能等到系统崩溃，必须定期监控，不能只靠自动优化器。我见过使用 WiredTiger 引擎的数据库，因为索引碎片问题导致查询效率下降 30% 以上，而用 rebuildIndex 这个命令，能在 10 分钟内彻底解决。

慢查询治理的本质是减少数据库的 I/O 和 CPU 负载，让查询走预期的路径，而不是随机的扫描。在实际工作中，我习惯在查询日志中抓取 top 10 的慢查询，然后用 explain 分析执行计划。如果发现使用了 $exists 或 $or，那基本是索引失效的信号。我们还经常通过创建组合索引避免多条件查询时的多次扫描，比如在查询中同时使用了 name 和 status 字段，就一定要创建复合索引。但千万别把所有字段都加进去，这样反而会增加写入成本和存储消耗。索引的删除同样重要，如果某个索引的使用率低于 5%，那它就是个累赘。记得每次修改索引后都要做基准测试，避免误操作。

监控索引的使用情况是关键，可以用 db.collection.stats() 查看索引的命中率。如果命中率低于 30%，那说明索引设计有问题或者查询方式不对。在某些项目中，我们通过定时任务执行 indexStats 来记录索引的使用情况，然后生成趋势图。这样能提前发现潜在问题，比如某个索引突然变得很冷。我们还用过 MongoDB 的 Atlas 数据库，通过其提供的性能分析工具，能快速定位哪些索引没有被用到。性能优化的最大误区是把问题归咎于数据库本身，其实很多慢查询是因为应用层的逻辑设计错误，比如频繁使用 $or 或者没有使用聚合管道，都需要从源头控制。

索引的维护策略要因地制宜，比如在读写比例极高的系统里，不能频繁 rebuildIndex，但又必须定期优化。我们通常采用手动重建索引的方式，而不是依赖自动优化。重建索引前要评估业务影响，比如在业务高峰期进行，会带来锁表风险。因此，我们会在低峰期执行，同时开启 snapshot 原子操作，这样不会影响在线读写。对于大表，我们还会使用 indexOnly 查询来减少磁盘 I/O，这在某些场景下可以提升查询速度 2 倍以上。索引的设计要根据业务场景，比如订单查询系统可能会用到时间范围过滤，这时候创建按时间字段排序的索引会比复合索引更高效。

在治理过程中，我们还发现索引的存储结构对性能影响巨大。WiredTiger 使用的是 LSM 树结构，对于写入密集型的系统，会比 MMAPv1 更加稳定。但如果你的索引是单字段的，又没有分片，那 MMAPv1 的性能表现反而更优。这需要根据数据模型和访问模式进行抉择。另外，我们还使用过一些第三方工具，比如 mongostat 和 mongoexport 来辅助分析索引性能，这些工具能帮你快速生成统计报告，不需要手动写复杂的脚本。索引的治理不能只停留在监控和重建，需要结合查询习惯、数据分布和负载变化动态调整。

▌ 技术参考

一 通过 explain 命令分析查询执行计划是治理索引慢查询的第一步。在 MongoDB shell 中，执行 db.collection.explain()，然后观察 results 部分。如果 queryPlanner 的 winningPlan 中的 stage 是 COLLSCAN，说明没有使用索引。如果 indexOnly 是 true，说明查询完全通过索引完成，不需要访问数据文件。对于聚合查询，还要注意是否使用了聚合管道，如果没有，那索引的使用率会很低。explain 的输出包含 indexOnly、indexUsage、nReturned 等关键指标，直接决定你是否需要调整索引。

二 创建索引时，字段的顺序至关重要。例如，查询条件是 { name: 1, status: 1 }，你就应该创建 { name: 1, status: 1 } 的复合索引，而不是反过来。字段的顺序直接影响索引的使用方式，如果第一个字段在查询中没有被使用，那么整个索引都会无效。另外，索引的类型也要根据查询方式选择，比如范围查询使用 ASC 或 DESC，或者混合查询。如果某个字段经常被用作排序字段，那一定要单独建索引。如果查询中同时使用了多条件过滤和排序，就需要创建组合索引，顺序要根据过滤条件的优先级来定。

三 索引的维护不能依赖自动优化，必须手动介入。在 MongoDB 中，如果某个索引的使用率长期低于 10%，可以考虑删除。但删除前要确保没有其他查询依赖它。使用 db.collection.dropIndex("index_name") 这个命令可以删除索引，但要谨慎。重建索引时，db.collection.reIndex() 是一个常用命令，但它会阻塞写入操作，不适合高并发场景。在生产环境中，我们倾向于在低峰期使用 db.collection.dropIndexes() 删除旧索引，再使用 db.collection.createIndex() 创建新索引，避免锁表。重建索引前还可以用 db.collection.stats() 查看索引的大小和使用情况。

四 索引的性能表现与存储引擎密切相关。WiredTiger 默认使用 B-Tree 结构，对于随机读写和范围查询表现较好，而 MMAPv1 则更适合顺序写入和大文件存储。在选择存储引擎时，要权衡业务场景。如果查询主要是范围扫描，WiredTiger 是更好的选择，但如果写入量特别大，MMAPv1 的稳定性更值得信赖。索引的压缩也是影响性能的关键因素，如果启用了 --wiredTiger.engineConfig.cacheSizeGB，压缩后的索引占用更少内存，同时减少磁盘 I/O。可以用 db.collection.stats() 中的 indexStats 来查看索引是否被压缩，以及压缩后的收益。

五 索引碎片问题会导致查询效率下降，尤其是在频繁更新的场景下。碎片率超过 10% 时，就需要考虑重建索引。重建索引可以用 db.collection.reIndex()，但最好结合 dropIndexes 和 createIndex 这两个命令分步执行。在某些情况下，我们还使用 mongodump 和 mongoimport 这两个工具来批量重建索引，避免长时间阻塞。索引碎片率的监控可以通过 indexStats 的 avgLocate、avgFetch、avgMatch 等字段来判断，如果这些指标持续上升，说明索引已经严重碎片化。重建索引可以大幅降低这些指标，从而提升查询效率。

六 索引的使用率分析是优化的起点。用 db.collection.indexStats() 可以查看每个索引的使用率，包括 accessed、btreeStats 等信息。如果某个索引的 accessed 为 0，那说明它从未被使用，可以安全删除。对于使用率在 10% 以下的索引，要重新评估其必要性。在某些项目中，我们还会用到 MongoDB 的 Atlas 性能分析工具，它能提供索引的使用趋势图，帮助我们判断是否需要调整。索引的使用率分析不能只看一次数据，要结合历史数据，才能避免误删。

七 索引的创建和删除要结合业务需求。比如在订单查询系统中，经常用到时间范围和状态过滤，这时候索引的创建策略就是优先时间字段，再是状态。如果某个索引只被用在少数查询中，那它的存在就是个冗余。我们还遇到过一个案例，某个查询使用了 $or，导致无法命中任何索引。在这些情况下，要么修改查询逻辑，要么重新设计索引，比如将 $or 转换成多个条件查询，分别使用对应的索引。索引的设计要遵循 20% 原则，即 20% 的查询使用 80% 的索引，避免索引过度冗余。

八 索引的维护不仅仅是删除冷索引，还包括调整索引类型和启用压缩。例如，对于频繁更新的字段，启用压缩可以减少磁盘占用和 I/O 压力。可以用 db.collection.createIndex({ field: 1 }, { compressed: true }) 这样创建一个压缩索引。但压缩会增加 CPU 开销，所以要根据负载情况判断。另一个常见场景是，某个索引虽然被使用，但性能不如预期，这时候可以通过调整索引的字段顺序来优化。比如某个查询同时使用了 name 和 status，但索引顺序是 status 在前，结果执行效率低下，调整顺序后明显提升。

九 在高并发场景下，索引的维护需要更谨慎。比如在双十一这样的大促期间，我们不能随便重建索引，否则可能引发连锁反应。因此，我们通常会在业务低峰期，比如凌晨 1 点，执行索引重建。此时使用 db.collection.dropIndexes() 删除旧索引，再使用 createIndex 创建新索引，同时开启 snapshot 选项，以避免写入阻塞。此外，我们还使用过 MongoDB 的分片功能，将数据分散到多个分片后，索引的分布也会影响查询性能，尤其是当查询条件涉及分片键时，索引的命中率会显著提高。

十 索引的使用与查询方式密不可分。比如使用 $exists 这个操作符时，如果没有对应的索引，查询会变成全盘扫描，效率极差。这种情况下，需要创建一个针对该字段的索引，或者调整查询逻辑，尽量避免 $exists。另一个常见问题是，查询中使用了 $or 或者 $and，导致索引无法有效利用。比如查询 { $or: [ { a: 1 }, { b: 1 } ] }，如果没有对应的组合索引，这个查询会无法命中任何索引。这时候，要么拆分成两个独立查询，要么创建一个复合索引，确保查询条件能匹配到索引。

十一 在数据量大的情况下，索引的存储和写入成本会显著上升。因此，不能随意创建索引，尤其是在写入频繁的场景中。我们做过一个测试，创建 10 个复合索引后，写入速度下降了 40%，而查询速度提升只有 20%，这说明索引的设计必须符合业务需求。如果某个字段的值分布不均匀，比如某个枚举类型的字段，创建索引可能会对写入性能产生很大影响。因此，我们需要用到 indexStats 中的 keyEls、keyCount 来评估索引的写入压力，然后决定是否保留。

十二 索引的优化不仅仅是创建，还包括调整索引的字段顺序。比如查询 { name: "abc", status: "active" }，如果索引是 { name: 1, status: 1 }，那么查询会命中索引。但如果索引是 { status: 1, name: 1 }，并且查询中 name 的使用率很低，那么索引的顺序就会影响性能。我们还遇到过一个案例，某个查询的 where 条件中 name 是主要过滤条件，但索引顺序是 status 在前，导致索引完全无效。在这样的情况下，调整索引顺序是提升查询效率的直接手段。

十三 索引的删除要谨慎，不能盲目操作。比如在某个项目中，我们误删了用于排序的索引，结果导致某个大查询的执行时间暴涨了 5 倍。为了避免这种风险，我们制定了索引删除的流程：先用 indexStats 检查使用率，再用 explain 确认该索引是否真的不再被使用，最后才删除。此外，对于复合索引，如果某个字段的使用率非常低，可以考虑单独创建一个子索引，而不是删除整个索引。这样既能保证查询性能，又能避免索引冗余。

十四 索引的维护工具不仅包括 MongoDB 原生命令，还包括第三方工具。比如在某些项目中，我们使用过 mongostat 来监控索引的命中率和性能指标，这能帮助我们快速发现索引失效的情况。另一个工具是 mongoexport，它可以用来导出数据并重建索引，适合在数据量不太大的情况下使用。对于大规模数据，我们倾向于使用 mongodump 来备份数据，然后删除索引，再用 mongoimport 导入数据，这样能减少对数据库的持续压力。这些工具的结合使用，提升了索引维护的效率和可控性。

十五 在某些特殊场景下，索引的使用可能需要结合其他技术手段。比如使用 Sharding 技术时，索引的分布和分片键的选择会直接影响查询性能。如果分片键是某个字段，并且该字段在索引中被使用，那么查询效率会显著提升。此外，我们还遇到过使用索引扫描的场景，因为索引碎片率过高，导致查询效率下降。这时通过 rebuildIndex 来优化索引结构是一个有效的手段。对于某些复杂查询，我们还使用了聚合管道中的 $indexStats 来实时监控索引使用情况，确保查询能高效执行。这些实践经验帮助我们在实际工作中快速定位并解决了索引慢查询问题。