加载中...

mongodb之使用explain和hint性能分析和优化

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： 

  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 }]);

2. 无索引查询 

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

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： 

  1. /* 1 */
  2. {
  3.     "queryPlanner" : {
  4.         "plannerVersion" : 1,
  5.         "namespace" : "datamip.inventory",
  6.         "indexFilterSet" : false,
  7.         "parsedQuery" : {
  8.             "$and" : [ 
  9.                 {
  10.                     "quantity" : {
  11.                         "$lte" : 200.0
  12.                     }
  13.                 }, 
  14.                 {
  15.                     "quantity" : {
  16.                         "$gte" : 100.0
  17.                     }
  18.                 }
  19.             ]
  20.         },
  21.         "winningPlan" : {
  22.             "stage" : "COLLSCAN",
  23.             "filter" : {
  24.                 "$and" : [ 
  25.                     {
  26.                         "quantity" : {
  27.                             "$lte" : 200.0
  28.                         }
  29.                     }, 
  30.                     {
  31.                         "quantity" : {
  32.                             "$gte" : 100.0
  33.                         }
  34.                     }
  35.                 ]
  36.             },
  37.             "direction" : "forward"
  38.         },
  39.         "rejectedPlans" : []
  40.     },
  41.     "executionStats" : {
  42.         "executionSuccess" : true,
  43.         "nReturned" : 3,
  44.         "executionTimeMillis" : 1,
  45.         "totalKeysExamined" : 0,
  46.         "totalDocsExamined" : 10,
  47.         "executionStages" : {
  48.             "stage" : "COLLSCAN",
  49.             "filter" : {
  50.                 "$and" : [ 
  51.                     {
  52.                         "quantity" : {
  53.                             "$lte" : 200.0
  54.                         }
  55.                     }, 
  56.                     {
  57.                         "quantity" : {
  58.                             "$gte" : 100.0
  59.                         }
  60.                     }
  61.                 ]
  62.             },
  63.             "nReturned" : 3,
  64.             "executionTimeMillisEstimate" : 0,
  65.             "works" : 12,
  66.             "advanced" : 3,
  67.             "needTime" : 8,
  68.             "needYield" : 0,
  69.             "saveState" : 0,
  70.             "restoreState" : 0,
  71.             "isEOF" : 1,
  72.             "invalidates" : 0,
  73.             "direction" : "forward",
  74.             "docsExamined" : 10
  75.         }
  76.     },
  77.     "serverInfo" : {
  78.         "host" : "localhost.localdomain",
  79.         "port" : 27017,
  80.         "version" : "3.2.8",
  81.         "gitVersion" : "ed70e33130c977bda0024c125b56d159573dbaf0"
  82.     },
  83.     "ok" : 1.0
  84. }

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： 

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

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：

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：

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。

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~

还没有评论.