什么是索引

索引是一種單獨的、物理的對數據庫表中一列或多列的值進行排序的一種存儲結構，它是某個表中一列或若干列值的集合和相應的指向表中物理標識這些值的數據頁的邏輯指針清單。索引的作用相當于圖書的目錄，可以根據目錄中的頁碼快速找到所需的內容。索引目標是提高數據庫的查詢效率，沒有索引的話，查詢會進行全表掃描（scan every document in a collection）,數據量大時嚴重降低了查詢效率。默認情況下Mongo在一個集合（collection）創建時，自動地對集合的_id創建了唯一索引

索引類型

3.2.1 單鍵索引 (Single Field)
MongoDB支持所有數據類型中的單個字段索引，并且可以在文檔的任何字段上定義。
對于單個字段索引，索引鍵的排序順序無關緊要，因為MongoDB可以在任一方向讀取索引。
單個例上創建索引：

db.集合名.createIndex({"字段名":排序方式})

特殊的單鍵索引 過期索引 TTL （ Time To Live）
TTL索引是MongoDB中一種特殊的索引， 可以支持文檔在一定時間之后自動過期刪除，目前TTL索引只能在單字段上建立，并且字段類型必須是日期類型。

db.集合名.createIndex({"日期字段":排序方式}, {expireAfterSeconds: 秒數})

復合索引(Compound Index）

通常我們需要在多個字段的基礎上搜索表/集合，這是非常頻繁的。 如果是這種情況，我們可能會考慮在MongoDB中制作復合索引。 復合索引支持基于多個字段的索引，這擴展了索引的概念并將它們擴展到索引中的更大域。

制作復合索引時要注意的重要事項包括：字段順序與索引方向

db.集合名.createIndex( { "字段名1" : 排序方式, "字段名2" : 排序方式 } )

多鍵索引（Multikey indexes）

針對屬性包含數組數據的情況，MongoDB支持針對數組中每一個element創建索引，Multikeyindexes支持strings，numbers和nested documents

地理空間索引（Geospatial Index）

針對地理空間坐標數據創建索引。
2dsphere索引，用于存儲和查找球面上的點
2d索引，用于存儲和查找平面上的點

db.company.insert(
{
loc : { type: "Point", coordinates: [ 116.482451, 39.914176 ] },
name: "大望路地鐵",
category : "Parks"
}
) d
b.company.ensureIndex( { loc : "2dsphere" } )
參數不是1或-1，為2dsphere 或者 2d。還可以建立組合索引。
db.company.find({
"loc" : {
"$geoWithin" : {
"$center":[[116.482451,39.914176],0.05]
}
}
})

全文索引

MongoDB提供了針對string內容的文本查詢，Text Index支持任意屬性值為string或string數組元素的
索引查詢。注意：一個集合僅支持最多一個Text Index，中文分詞不理想 推薦ES

db.集合.createIndex({"字段": "text"})
db.集合.find({"$text": {"$search": "coffee"}})

哈希索引 Hashed Index

針對屬性的哈希值進行索引查詢，當要使用Hashed index時，MongoDB能夠自動的計算hash值，無
需程序計算hash值。注：hash index僅支持等于查詢，不支持范圍查詢

db.集合.createIndex({"字段": "hashed"})

索引和explain 分析

索引管理
創建索引并在后臺運行

db.COLLECTION_NAME.createIndex({"字段":排序方式}, {background: true});

獲取針對某個集合的索引

db.COLLECTION_NAME.getIndexes()

索引的大小

db.COLLECTION_NAME.totalIndexSize()

索引的重建

db.COLLECTION_NAME.reIndex()

索引的刪除

db.COLLECTION_NAME.dropIndex("INDEX-NAME")
db.COLLECTION_NAME.dropIndexes()
注意: _id 對應的索引是刪除不了的

explain 分析

使用js循環 插入100萬條數據 不使用索引字段 查詢查看執行計劃 ，然后給某個字段建立索引,使用索引字段作為查詢條件 再查看執行計劃進行分析

explain()也接收不同的參數，通過設置不同參數我們可以查看更詳細的查詢計劃。

queryPlanner：queryPlanner是默認參數，具體執行計劃信息參考下面的表格。

executionStats：executionStats會返回執行計劃的一些統計信息(有些版本中和allPlansExecution等同)。

allPlansExecution:allPlansExecution用來獲取所有執行計劃，結果參數基本與上文相同。

queryPlanner 默認參數

executionStats參數

executionStats返回逐層分析

第一層，executionTimeMillis最為直觀explain返回值是executionTimeMillis值，指的是這條語句的執
行時間，這個值當然是希望越少越好。
其中有3個executionTimeMillis，分別是：
executionStats.executionTimeMillis 該query的整體查詢時間。
executionStats.executionStages.executionTimeMillisEstimate 該查詢檢索document獲得數據的時
間。
executionStats.executionStages.inputStage.executionTimeMillisEstimate 該查詢掃描文檔 index
所用時間。
第二層，index與document掃描數與查詢返回條目數 這個主要討論3個返回項 nReturned、
totalKeysExamined、totalDocsExamined，分別代表該條查詢返回的條目、索引掃描條目、文檔掃描
條目。 這些都是直觀地影響到executionTimeMillis，我們需要掃描的越少速度越快。 對于一個查詢，
我們最理想的狀態是：nReturned=totalKeysExamined=totalDocsExamined
第三層，stage狀態分析 那么又是什么影響到了totalKeysExamined和totalDocsExamined？是stage的
類型。
類型列舉如下

型列舉如下：
COLLSCAN：全表掃描
IXSCAN：索引掃描
FETCH：根據索引去檢索指定document
SHARD_MERGE：將各個分片返回數據進行merge
SORT：表明在內存中進行了排序
LIMIT：使用limit限制返回數
SKIP：使用skip進行跳過
IDHACK：針對_id進行查詢
SHARDING_FILTER：通過mongos對分片數據進行查詢
COUNT：利用db.coll.explain().count()之類進行count運算
TEXT：使用全文索引進行查詢時候的stage返回
PROJECTION：限定返回字段時候stage的返回
對于普通查詢，我希望看到stage的組合(查詢的時候盡可能用上索引)：
Fetch+IDHACK
Fetch+IXSCAN
Limit+（Fetch+IXSCAN）
PROJECTION+IXSCAN
SHARDING_FITER+IXSCAN
不希望看到包含如下的stage：
COLLSCAN(全表掃描)
SORT(使用sort但是無index)
COUNT 不使用index進行count)

allPlansExecution參數

queryPlanner 參數和executionStats的拼接

慢查詢分析

1.開啟內置的查詢分析器,記錄讀寫操作效率
db.setProfilingLevel(n,m),n的取值可選0,1,2
0表示不記錄
1表示記錄慢速操作,如果值為1,m必須賦值單位為ms,用于定義慢速查詢時間的閾值
2表示記錄所有的讀寫操作
2.查詢監控結果

db.system.profile.find().sort({millis:-1}).limit(3)

分析慢速查詢
3. 應用程序設計不合理、不正確的數據模型、硬件配置問題,缺少索引等
4.解讀explain結果 確定是否缺少索引

MongoDB 索引底層實現原理分析

MongoDB 是文檔型的數據庫，它使用BSON 格式保存數據，比關系型數據庫存儲更方便。比如之前關系型數據庫中處理用戶、訂單等數據要建立對應的表，還要建立它們之間的關聯關系。
但是BSON就不一樣了，我們可以把一條數據和這條數據對應的數據都存入一個BSON對象中,這種形式更簡單，通俗易懂。MySql是關系型數據庫，數據的關聯性是非常強的，區間訪問是常見的一種情況，底層索引組織數據使用B+樹，B+樹由于數據全部存儲在葉子節點，并且通過指針串在一起，這樣就很容易的進行區間遍歷甚至全部遍歷。MongoDB使用B-樹，所有節點都有Data域，只要找到指定索引就可以行訪問，單次查詢從結構上來看要快于MySql

B-樹是一種自平衡的搜索樹，形式很簡單

B-樹的特點:
(1) 多路 非二叉樹
(2) 每個節點 既保存數據 又保存索引
(3) 搜索時 相當于二分查找
B+樹是B-樹的變種

B+ 樹的特點:
（1） 多路非二叉
（2） 只有葉子節點保存數據
（3） 搜索時 也相當于二分查找
（4） 增加了 相鄰節點指針

最核心的區別主要有倆，一個是數據的保存位置，一個是相鄰節點的指向。
就是這倆造成了MongoDB和MySql的差別。

（1）B+樹相鄰接點的指針可以大大增加區間訪問性，可使用在范圍查詢等，而B-樹每個節點 key 和data 在一起 適合隨機讀寫 ，而區間查找效率很差。
（2）B+樹更適合外部存儲，也就是磁盤存儲，使用-結構的話，每次磁盤預讀中的很多數據是用不上的數據。因此，它沒能利用好磁盤預讀的提供的數據。由于節點內無 data 域，每個節點能索引的范圍更大更精確。
（3）注意這個區別相當重要，是基于（1）（2）的，B-樹每個節點即保存數據又保存索引 樹的深度小，所以磁盤IO的次數很少，B+樹只有葉子節點保存，較B樹而言深度大磁盤IO多，但是區間訪問比較好。