别再为时序数据标注发愁了！手把手教你用自监督学习搞定预测、分类与异常检测
2026/6/3 8:27:26
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_${i}`,age:Math.floor(Math.random()*50)+18,// 年龄18-68岁city:["北京","上海","广州","深圳","杭州"][Math.floor(Math.random()*5)],// 随机城市register_time:newDate(Date.now()-Math.floor(Math.random()*365*24*3600*1000)),// 近一年注册is_vip:Math.random()>0.7,// 30% VIP用户phone:`13${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