【MongoDb入门】mongodb之使用explain和hint性能分析和优化

╰+攻爆jí腚メ 2022-07-14 04:26 192阅读 0赞

当你第一眼看到explain和hint的时候，第一个反应就是mysql中所谓的这两个关键词，确实可以看出，这个就是在mysql中借鉴过来的，既然是借鉴

过来的，我想大家都知道这两个关键字的用处，话不多说，速速观看~~~

一：explain演示

1.  构建数据

为了方便演示，我需要create ten data to inventory，而且还是要在no index 的情况下，比如下面这样：

![复制代码][copycode.gif]

1 db.inventory.insertMany([
     2 { "_id" : 1, "item" : "f1", type: "food", quantity: 500 },
     3 { "_id" : 2, "item" : "f2", type: "food", quantity: 100 },
     4 { "_id" : 3, "item" : "p1", type: "paper", quantity: 200 },
     5 { "_id" : 4, "item" : "p2", type: "paper", quantity: 150 },
     6 { "_id" : 5, "item" : "f3", type: "food", quantity: 300 },
     7 { "_id" : 6, "item" : "t1", type: "toys", quantity: 500 },
     8 { "_id" : 7, "item" : "a1", type: "apparel", quantity: 250 },
     9 { "_id" : 8, "item" : "a2", type: "apparel", quantity: 400 },
    10 { "_id" : 9, "item" : "t2", type: "toys", quantity: 50 },
    11 { "_id" : 10, "item" : "f4", type: "food", quantity: 75 }]);

![复制代码][copycode.gif]

![214741-20160804154441668-1698017559.png][]

2. 无索引查询

db.inventory.find(
       { quantity: { $gte: 100, $lte: 200 } }
    ).explain("executionStats")

![214741-20160804154654372-1014345901.png][]

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

这个是什么意思呢？ 如果你仔细一看，应该知道就是CollectionScan，就是所谓的“集合扫描”，对不对，看到集合扫描是不是就可以直接map到

数据库中的table scan/heap scan呢？？？ 是的，这个就是所谓的性能最烂最无奈的由来。

<2> nReturned

这个很简单，就是所谓的numReturned，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

那这个是什么意思呢？？就是documentsExamined，检查了10个documents。。。而从返回上面的nReturned。。。

ok，那从上面三个信息中，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scan的无用功，那么这个时候问题就来了，

如何减少examine的documents。。。

完整的plans如下：

![ExpandedBlockStart.gif][]

![复制代码][copycode.gif]

/* 1 */
    {
        "queryPlanner" : {
            "plannerVersion" : 1,
            "namespace" : "datamip.inventory",
            "indexFilterSet" : false,
            "parsedQuery" : {
                "$and" : [ 
                    {
                        "quantity" : {
                            "$lte" : 200.0
                        }
                    }, 
                    {
                        "quantity" : {
                            "$gte" : 100.0
                        }
                    }
                ]
            },
            "winningPlan" : {
                "stage" : "COLLSCAN",
                "filter" : {
                    "$and" : [ 
                        {
                            "quantity" : {
                                "$lte" : 200.0
                            }
                        }, 
                        {
                            "quantity" : {
                                "$gte" : 100.0
                            }
                        }
                    ]
                },
                "direction" : "forward"
            },
            "rejectedPlans" : []
        },
        "executionStats" : {
            "executionSuccess" : true,
            "nReturned" : 3,
            "executionTimeMillis" : 1,
            "totalKeysExamined" : 0,
            "totalDocsExamined" : 10,
            "executionStages" : {
                "stage" : "COLLSCAN",
                "filter" : {
                    "$and" : [ 
                        {
                            "quantity" : {
                                "$lte" : 200.0
                            }
                        }, 
                        {
                            "quantity" : {
                                "$gte" : 100.0
                            }
                        }
                    ]
                },
                "nReturned" : 3,
                "executionTimeMillisEstimate" : 0,
                "works" : 12,
                "advanced" : 3,
                "needTime" : 8,
                "needYield" : 0,
                "saveState" : 0,
                "restoreState" : 0,
                "isEOF" : 1,
                "invalidates" : 0,
                "direction" : "forward",
                "docsExamined" : 10
            }
        },
        "serverInfo" : {
            "host" : "localhost.localdomain",
            "port" : 27017,
            "version" : "3.2.8",
            "gitVersion" : "ed70e33130c977bda0024c125b56d159573dbaf0"
        },
        "ok" : 1.0
    }

![复制代码][copycode.gif]

3. 使用single field 加速查找

知道前因后果之后，我们就可以进行针对性的建立索引，比如在quality字段之上，如下：

db.inventory.createIndex({ quantity: 1})
    
    db.inventory.find(
       { quantity: { $gte: 100, $lte: 200 } }
    ).explain("executionStats")

![214741-20160804155918637-217473462.png][]

好了，这时候就有意思了，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，这个就是所谓的高性能所在，对吧。

二：hint演示

说到hint，我想大家也是知道的，很好玩的一个东西，就是用来force mongodb to excute special index，对吧，为了方便演示，我们做两组复合索

引，比如这次我们在quality和type上构建一下：

![214741-20160804160635450-1983520932.png][]

building完成之后，我们故意这一个这样的查询，针对quantity是一个范围，而type是一个定值的情况下，我们force mongodb去使用quantity开头

的复合索引，从而强制mongodb give up 那个以\{type:1,quantity:1\}的复合索引，很有意思哦，比如下图：

![214741-20160804161210668-507543349.png][]

从图中，可以看到，我们检查了6个keys，而从最终找到了2个文档，现在我们就知道了，2和6之间还是有不足的地方等待我们去优化了，对吧，下面

我们不hint来看一下mongodb的最优的plan是怎么样的。

![214741-20160804161639637-1559059844.png][]

再看上面的图，你应该明白了，mongodb果然执行了那个最优的plan，是不是很好玩，好了，本篇就说到这里，希望对你有帮助~

> ## 欢迎关注公众号： ##
> 
> # ![70][] #

[copycode.gif]: /images/20220714/5920bb69ae774a47b46773a40710b367.png
[214741-20160804154441668-1698017559.png]: /images/20220714/ecfec66135754f5b997196a1bf34d684.png
[214741-20160804154654372-1014345901.png]: /images/20220714/ca376de25afb420a843d171463f08241.png
[ExpandedBlockStart.gif]: /images/20220714/e249d96c49e94262b874ce6371956268.png
[214741-20160804155918637-217473462.png]: /images/20220714/20c83dde67d84e3ebdea25d2d546861a.png
[214741-20160804160635450-1983520932.png]: /images/20220714/72d653cc813f4fe68389003532feff62.png
[214741-20160804161210668-507543349.png]: /images/20220714/e54040150ac94124a716c0a435b80e9e.png
[214741-20160804161639637-1559059844.png]: /images/20220714/4d44eef7402646408a958b4998c559e3.png
[70]: /images/20220714/466bead5412648acb0f2a75e024523cd.png