完整教程：【MongoDB实战】6.3 索引优化实战：慢查询解决（补充）

文章目录

• 6.3 索引优化实战：慢查询解决
• • 6.3.1 识别慢查询：explain()方法深度解析
  • • 核心概念
    • 实操步骤1：准备测试数据集
    • 实操步骤2：执行慢查询并分析执行计划
    • • 执行结果解读（未加索引）
  • 6.3.2 优化案例：慢查询索引优化实战
  • • 核心优化思路
    • 实操步骤1：创建复合索引
    • • 索引列表输出
    • 实操步骤2：重新分析优化后的执行计划
    • • 优化后结果解读
    • 优化效果对比
    • 进阶：索引覆盖查询（Covered Query）
  • 6.3.3 索引使用注意事项：避坑指南
  • • 1. 避免过度索引
    • 2. 索引字段选择核心技巧
    • 3. 其他关键注意事项
  • 6.3.4 实战总结

6.3 索引优化实战：慢查询解决

慢查询是MongoDB性能瓶颈的核心来源之一，其本质是查询未有效利用索引，导致全表扫描（COLLSCAN）。

• 本节通过实战代码+执行计划分析+索引优化的完整流程，讲解慢查询的识别、优化及索引使用的核心准则。

6.3.1 识别慢查询：explain()方法深度解析

核心概念

• 慢查询定义：MongoDB默认将执行时间超过100ms的查询标记为慢查询（可通过setParameter修改阈值：db.adminCommand({setParameter:1, slowMS:200})）。

• explain()作用：分析查询执行计划，定位慢查询瓶颈（是否走索引、扫描文档数、执行时间等）。

• explain()三种模式：

模式	说明	适用场景
queryPlanner（默认）	仅返回优化器选择的查询计划（不执行查询）	快速查看索引是否被选中
executionStats	执行查询并返回详细执行统计	分析慢查询的真实性能指标
allPlansExecution	返回所有候选计划的执行统计	复杂查询的计划对比

实操步骤1：准备测试数据集

以用户数据为例，插入10万条测试数据模拟真实场景（Mongo Shell/ mongosh 执行）：

// 1. 切换到测试数据库
use test_db;
// 2. 清空原有数据（测试用）
db.users.drop();
// 3. 生成10万条用户测试数据
let users = [];
for (let i = 0; i < 1000000; i++) {

users.push({

username: `user_${i}`,
age: Math.floor(Math.random() * 50) + 18, // 年龄18-68岁
city: ["北京", "上海", "广州", "深圳", "杭州"][Math.floor(Math.random() * 5)], // 随机城市
register_time: new Date(Date.now() - Math.floor(Math.random() * 365 * 24 * 3600 * 1000)), // 近一年注册
is_vip: Math.random() > 0.7, // 30% VIP用户
phone: `13${Math.floor(Math.random() * 900000000) + 100000000}` // 随机手机号
});
}
// 4. 批量插入数据（MongoDB默认单次insertMany上限16MB，该数据量无压力）
db.users.insertMany(users);
print(`测试数据插入完成，总数：${db.users.countDocuments()} 条`);

实操步骤2：执行慢查询并分析执行计划

示例场景：查询「北京市的VIP用户，年龄大于30岁」，未加索引时分析执行计划：

// 简化版：只显示关键指标
let query