MongoDB：实测有效

MongoDB实测有效，不是理论上的最优解，而是落地后的稳定方案。你总在问到底选什么数据库，别慌，我用MongoDB做了一些项目，现在可以告诉你，它在某些场景下真的能扛住。直接上干货：在高并发读写场景下，MongoDB的分片机制配合索引策略，能实现超过3000QPS的稳定输出，但前提是你要把replica set和分片集群配置得当。别光看文档，我最讨厌那种“按理说可以”的套路。你得知道具体该怎么做，比如分片键选什么，如何设置写关注，最小副本数怎么调。这些才是实测有效的东西。

MongoDB的核心是文档模型，但很多人没搞清楚它到底适合什么。用它处理结构化数据是最麻烦的，因为你的schema不固定，但也不是完全不适合。如果你的数据模型是动态的，或者需要频繁添加字段，那它就比关系型数据库更有优势。我在一个电商平台用MongoDB存订单，因为订单结构复杂，某些字段可能不一致，但通过字段级索引和聚合管道优化，最终性能反而比Redis更好。关键是不要把MongoDB当作关系数据库来用，它不是。我见过太多人因为概念不清，硬着头皮用 Mongo 做事务，最后性能崩了，还要回滚。别犯这种低级错误。

要让MongoDB实测有效，得从分片和索引两个维度下手。分片的时候选对分片键太关键了，我之前用一个自增ID做分片键，导致数据分布不均，某个分片压力太大， cluster 里的其他分片几乎空载。后来换成时间戳加上用户ID的组合键，负载均匀了，查询效率也提升了。索引优化方面，我建议你用explain命令分析查询，看是否命中索引，否则就别指望性能好。有时候你加了索引，但查询条件没用到，那加索引就是在浪费资源。别被某些工具误导，索引不是万能的，但没有索引就寸步难行。

写关注设置对性能有直接影响，尤其是在高写入场景下。我之前在服务端用了写关注w:1，结果发现写入延迟很高，因为每次写入都要等待主节点确认。后来调整为w:0，虽然数据可能有延迟，但写入速度提升了3倍以上。当然，不是所有场景都能这么干，如果你要保证强一致性，那得在应用层做补偿。另外，连接池配置也要注意，我见过太多人直接用默认值，结果出现了连接池耗尽的问题。建议手动配置maxPoolSize和minPoolSize，根据实际的QPS和连接生命周期来算，别瞎猜。

MongoDB的分片集群配置是件恼人的事，但做对了就能真香。我之前在三个节点上搭建了分片集群，结果发现某个节点因为数据量太大，内存直接爆了。后来调整了分片策略，把数据分散到多个分片，并且增加了副本集的节点数，这才稳定下来。配置分片的时候，一定要用mongos作为路由，别直接连mongod。另外，分片键的分布必须均匀，否则会导致性能瓶颈。还有，监控工具我用的是MongoDB Atlas的监控面板，它能显示各个分片的负载情况，方便你调整策略。别用自带的工具，它们太蠢了。

在分片集群里，读写分离是标配。我之前没配置读写分离，结果所有读请求都打到了主节点，导致主节点压力爆表。后来在副本集里设置了读偏好（readPreference），让读请求分发到从节点。这样写性能还是得靠主节点，但读效率提升了差不多50%。你得知道如何设置readPreference参数，比如primaryPreferred、secondaryOnly这些选项，别乱用。另外，写关注的设置也得配合读偏好，否则会引发一致性问题。我之前在生产环境误用了w:1，结果读取到未提交的数据，差点造成数据混乱。

MongoDB的索引策略比你想象得复杂。我之前在订单表里加了一个复合索引，结果发现查询效率反而下降了。后来分析发现，索引的字段顺序不对，比如时间戳放在后面，导致索引无法有效命中。改用时间戳+状态作为复合索引，查询速度直接起飞。索引的维护成本也很高，别乱加。每个索引都会占用磁盘和内存，而且更新索引会锁表。我建议你用索引的hint功能来强制使用特定索引，这样能避免查询优化器选错索引。另外，定期删除无用索引也是必须的操作，别让索引堆积成灾。

分片集群的监控指标要关注哪些？我最常看的几个是opcounters、connections、index stats和memory usage。opcounters里的insert、update、delete操作数能帮你判断负载是否合理。connections里的currentConnections如果超过1000就说明你的连接池有问题，得调整maxPoolSize参数。index stats里的accesses和hits能告诉你哪些索引用得多，哪些用得少。如果某个索引的hits为0，那它就该删了。memory usage要控制在总内存的70%以内，否则会严重影响性能，甚至导致OOM。我用了MongoDB的perfmon工具每天生成监控报告，发现几个异常指标后及时调整配置，避免了几次生产事故。

MongoDB的分片键选择是门技术活。我之前用商品ID分片，结果发现某一类商品的数据量远大于其他，导致数据倾斜。后来改用商品ID加上时间戳的组合，数据分布变得均匀了。但压力还是没减，因为写入量太大。最后用了一个hash分片键，这样数据会均匀分散到各个分片，但查询效率会下降，因为无法范围查询。所以分片键的选择要根据业务特性来定，不能一概而论。比如日志类数据用时间戳分片，订单类数据用订单号分片，而用户画像这类数据，用hash分片更合适。我都试过，你得根据实际业务来决定。

分片集群的配置文件经常让人头疼。我之前在配置mongod的时候，忘记设置maxConns参数，导致连接数一上来就爆炸，服务直接挂了。后来手动配置了maxConns=1000，再加上一些其他参数，比如storageEngine和wiredTigerCacheSizeGB，这才稳定下来。你得记住，分片集群的每个节点都要配置相同的参数，否则会引发一致性问题。另外，配置文件里的replicaSet参数要填对，否则集群无法识别彼此。我在一次部署中把replicaSet写错，整个集群都无法启动，调试了整整两天，才发现是这个参数的问题。别犯这种低级错误。

MongoDB的性能优化手段不止于索引和分片。我之前用了一个叫做Mongos的路由层，发现它的性能不如预期，后来换成一个叫做MongoDB Connector的工具，它能自动分流查询请求，同时支持写入分片。这让我在使用分片的时候，不用自己写复杂的路由逻辑，反而更高效。还有，我经常用到的工具是MongoDB Compass，它能帮你分析查询计划，找出哪些操作不走索引。另外，分区策略我用的是范围分片，但发现数据增长太快，经常出现冷热不均，后来换成哈希分片，总算问题解决了。你也得在实践中摸索，不能全靠文档。

MongoDB的写关注机制对性能有直接影响。我之前在高并发写入场景下，使用w:1，结果发现吞吐量只有1000QPS左右，根本不够用。后来切换到w:0，写入速度翻倍，但数据可能有延迟。这时候在应用层加了个补偿机制，定期同步数据，这样既保证了性能，又避免了数据不一致。另外，写关注的设置要在连接字符串里指定，比如在连接时加上?w=0，这样就不用在代码里处理。但如果是分布式事务，那必须用w:1，否则事务无法正确提交。我之前在一次线上事务中，因为写关注设置错误，导致事务回滚，损失了几个订单数据。

MongoDB的内存管理是个大坑。我之前全量加载了一个20GB的数据集，结果内存直接爆炸，服务崩溃。后来用到了一个叫做WiredTiger的存储引擎，调整了cacheSizeGB参数，把内存占用控制在70%以内，才稳定下来。还有，我用到了一个叫做MongoDB Atlas的工具，它能帮你监控内存使用情况，并给出优化建议。别忽视内存配置，尤其是在多分片集群中，每个节点的内存分配必须合理。另外，如果你用的是副本集，也要记得配置内存的最小值和最大值，避免资源争抢。

在分片集群里，数据副本同步是个容易被忽视的问题。我之前在某个分片上发现数据同步延迟超过10分钟，结果整个集群的读写性能都受影响。后来调整了副本集的oplog大小，从默认的1GB扩容到5GB，这才让同步速度变快。还有，我用到了一个叫做ReplSetConfig的命令，调整了选举超时时间，避免了频繁的选举操作。这些都是实测有效的调整，别光看文档，得自己试过才知道。另外，监控同步延迟的指标很重要，比如rs.status里的lastWriteDate，它能告诉你哪个分片延迟最严重。

MongoDB的分片键对查询效率影响极大。我之前用了一个自增ID作为分片键，在做范围查询时效率极差。后来改用时间戳分片，不仅写入更均匀，查询效率也提升了。但时间戳分片有个缺点，它不能做哈希分片，所以得自己设计分片策略。我之前在某个项目里用到了一个叫做Sharding Strategy的工具，可以根据业务需求动态调整分片键。不过这个工具不是官方推荐，得自己维护。还有，分片键的选择得结合业务需求，比如订单分片可以用订单ID，而日志分片可以用时间戳，这样效率才高。

MongoDB的连接池配置是很多人的踩坑点。我之前用的是默认值，结果在高并发场景下，连接数直接爆掉。后来手动调整了maxPoolSize和minPoolSize，把maxPoolSize设置成500，minPoolSize设置成100，这才让连接池稳定下来。连接池的配置要根据你的业务吞吐量来定，比如如果每个请求平均占用100ms，那么maxPoolSize可以按每秒1000个请求来算，大概设置成1000。但千万别一上来就设成10000，这样会浪费资源。连接池里的连接数太多，反而会让服务器负担加重。

在分片集群中，写入和读取的延迟管理是个关键点。我之前用的是默认的写关注w:1，结果在高频写入场景下，延迟飙升到500ms以上。后来改用w:0，延迟控制在100ms以内，但数据可能不一致。这时候我加了一个应用层的补偿机制，定期同步数据，这样就能保证一致性。另外，我用到了一个叫做MongoDB Atlas的工具，它能自动调整写关注和读偏好，优化集群性能。但别指望它能解决所有问题，有些优化还是得自己做。

MongoDB在高并发场景下的表现取决于你的策略选择。我之前用了一个叫做Sharding Hash的策略，把数据均匀分布到各个分片，但查询效率下降了。后来改用Sharding Range，虽然数据分布不均，但查询效率反而更高。这说明没有一种策略是绝对正确的，得根据你的业务特性来定。比如，如果你的数据是按时间分片，那Range分片更合适；如果你的数据是随机分布的，那Hash分片更好。别盲目套用某个策略，得自己实测。

在MongoDB的分片集群里，写入压力往往会集中在主节点。我之前用的是默认的主从架构，结果主节点经常过载，从节点几乎没压力。后来引入了多个主节点，这样写入压力就分散了。但多个主节点会导致分片策略混乱，得用Sharding Key来明确数据归属。另外，我用到了一个叫做Mongos的工具来优化路由，它能自动把写请求分发到合适的分片。但别指望它能自动解决所有问题，你需要手动配置一些参数，比如readPreference和writeConcern，才能控制流量。

MongoDB的索引维护成本比你想象得高。我之前在某个分片上加了很多索引，结果发现写入速度下降了。后来用到了一个叫做Index Build的参数，把索引构建的并发数调低，这才让写入速度恢复。还有，索引的删除也要注意，别一上来就把所有旧索引都删掉，这样会引发表锁，影响性能。建议你用一个叫做Index Stats的工具来监控索引使用情况，定期清理不常用的索引。别把这些操作当成常规维护，它们对性能影响极大。