MongoDB 近期知识图谱

可以仅指定 Document 内给定一层 JSON PDF的字符串物件。validator 的差值有两种，一种是简单的 JSON Object，另一种是通过关键词 $jsonSchema 仅指定。表列出是简单下述，想知晓更为多再三详见官方数据库：MongoDB JSON Schema 详解。

方固定式也一：

db.createCollection(Simonquotsaky_test_validation",{validator: { $and:[ {name:{$type: Simonquotstring"}}, {status:{$in:[SimonquotINIT",SimonquotDEL"]}}] }})

方固定式也二：

db.createCollection(Simonquotsaky_test_validation", { validator: { $jsonSchema: { bsonType: Simonquotobject", required: [ Simonquotname", Simonquotstatus", ], properties: { name: { bsonType: Simonquotstring", deion: Simonquotmust be a string and is required" }, status: { enum: [ SimonquotINIT", SimonquotDEL"], deion: Simonquotcan only be one of the enum values and is required" }} }}) 1.2 MongoDB 的较高需用

较高需用是 MongoDB 最内部的功用之一，看来很多女学生也是因为这一物理性质才想全面性知晓它的。那么本节就来问道下 MongoDB 通过哪些方固定式也来借助于它的较高需用，然后给予这些物理性质我们可以借助于什么某种程度的较高需用。

看来一旦讲到到较高需用，浮过往大家脑海里才会有如下几个缺陷：

是什么：MongoDB 较高需用都有些什么功用？它能尽也许多大某种程度的较高需用？ 为什么：MongoDB 是怎样认真到这些较高需用的？ 怎么用：我们无需认真些怎样的装配或者用作才能享有到 MongoDB 的较高需用物理性质？那么，拿着这些缺陷，我们继续看下去，看完了大家必要才会对这些缺陷大大知晓了。 1.2.1 MongDB 粘贴战略性

MongoDB 较高需用的也就是说是粘贴战略性，粘贴战略性表格象来问道就是一份样本可知多份，尽也许一台机筒挂掉了样本不才会丢出失。一个所有未集颇为极多有 3 个端口组显露：

颇为极多一个都由端口（Primary）：主要职责整个战略性的写就配置入口，都由端口挂掉不久才会自动选显露最初的都由端口。 一个或多个从端口（Secondary）：一般是 2 个或以上，从都由端口重新启动时样本，在都由端口挂掉不久补选最初端口。 零个或 1 个仲裁端口（Arbiter）：这个是为了尽可能资引或者多机房容灾用，只主要职责都由端口补选时表决不可知样本，尽也许能有端口获得多将近赞显露票。从右边的端口类别可以看显露，一个三端口的粘贴战略性也许是 PSS 或者 PSA 形态。PSA 形态缺陷是尽可能显露本，但是缺陷是 Primary 挂掉不久，一些相反 majority（多将近）物理性质的写就功用显露缺陷，因此一般不促请用作。粘贴战略性确保样本相容性的内部外观设计是： Journal：Journal可知档是 MongoDB 的预写就可知档 WAL，全然相同 MySQL 的 redo log，然后100ms一次将Journal 日子刷盘。 Oplog：Oplog 是用来认真非对称粘贴的，全然相同 MySql 里的 binlog。MongoDB 的写就配置都由 Primary 端口主要职责，Primary 端口才会在写就样本早先会将配置记录依然在 Oplog 里，Secondary 端口通过纳引 oplog 电子邮件，过场配置借助于样本重新启动时的。 Checkpoint：右边讲到到了 MongoDB 的写就只写就了闪可知和 Journal 可知档 ，并不曾认真样本更为为不可或缺解构，Checkpoint 就是将闪可知原有为打破到驱动筒筒更为为不可或缺解构的更为进一步。MongoDB 才会每60s一次将闪可知里的原有为刷盘，并记录依然局限性更为为不可或缺解构点（checkpoint），以便样本库在里止后能并能丧失样本。 端口补选：MongoDB 的端口补选准则能够尽也许在Primary挂掉不久所选的最初端口一定是战略性里样本最全的一个，在3.3.1端口补选有陈述全然赞同借助于。

从右边 4 点我们可以得显露 MongoDB 较高需用的如下论点：

MongoDB宕机里止不久可以通过 checkpoint 并能丧失上一个 60s 之前的样本。 MongoDB就此一个 checkpoint 到宕机在此期数间的样本可以通过 Journal可知档过场丧失。 Journal可知档因为是 100ms 刷盘一次，因此至多才会丢出失 100ms 的样本（这个可以通过 WriteConcern 的参将近操控不丢出失，只是效率才会受不良影响，简便性能要求颇为严格的布景） 如果在写就样本重新启动时了多将近写就，那么就算 Primary 宕机了也是至多丢出失 100ms 样本（可避开，同上） 1.2.2 载入意图

从上一小节同样到，MongoDB 的较高需用功用在各不相同的布景表格现是不一样的。仅仅，MongoDB 给予了一整套的功用让普通用户棍子据自己企业布景并不需要各不相同的意图。这里要问道的就是 MongoDB 的载入意图，棍子据普通用户所选各不相同的载入意图，你才会受益各不相同某种程度的样本性能和相容性义务。这些对企业对外开放者颇为不可或缺，因为你只有彻底明白了这些经验，才能棍子据自己的企业布景所选合适的意图，同时再加载入效率和性能。

Write Concern ——写就意图

操控咨询服务筒一次写就配置在什么会下才赶回IP显露功，由两个参将近操控：

w 参将近：操控样本重新启动时到多极多个端口都未显露功，引差值地区0～端口个将近/majority。0 表格示咨询服务筒接到劝告就赶回显露功，major表格示重新启动时到大多将近（极小总和 N/2）端口才赶回显露功。其它差值表格示全然赞同的重新启动时端口个将近。匹配为 1，表格示 Primary 写就显露功就赶回显露功。 j 参将近：操控单个端口必要完了显露 oplog 更为为不可或缺解构到驱动筒筒才赶回显露功，引差值地区 true/false。匹配 false，因此也许仅有丢出 100ms 样本。

Read Concern ——念意图

操控IP从什么端口念引样本，匹配为 primary，全然赞同参将近及意涵：

primary：念都由端口 primaryPreferred：优于是又念都由端口，不仅仅时念从端口 secondary：念从端口 secondaryPreferred：优于是又念从端口，不仅仅时念都由端口 nearest：就近念，不区分都由端口还是从端口，只并不需要端口延时。

更为多电子邮件可详见MongoDB 官方数据库

Read Concern Level ——念分级

这是一个颇为有意思的参将近，也是最不易于解念的异常参将近。它都由要操控的是念到的样本是不是促使更为换的、是不是更为为不可或缺的，促使更为换的和更为为不可或缺的是一对矛盾，促使更为换的样本也许才会被回滚，更为为不可或缺的样本也许不是促使更为换的，这无需企业棍子据自己布景的容忍度认真权衡，前提是你的于是又明白有哪些，他们代表格什么意义：

local：同样从浏览端口赶回，不关心这些样本被重新启动时到了多极多个端口。仅仅被回滚的后果。 available：仅限于于特罗斯季亚涅齐战略性，和 local 仅有，也仅仅被回滚的后果。 majority：赶回被大多将近端口核能实过的样本，不才会被回滚，前提是 WriteConcern=majority linearizable：仅限于于政府部门，念配置才会才会在它开始前不太也许在分派的政府部门提出了才赶回 snapshot：仅限于于政府部门，镜像封闭，同样从镜像去。

为了便于解念 local 和 majority，这里引用一下 MongoDB 官网上的一张 WriteConcern=majority 时写就配置的更为进一步由此可知：

通过这张由此可知可以看显露，各不相同端口在各不相同期里当做同一条样本满足的 level 是各不相同的：

1.3 MongoDB 的可扩张性 —— 特罗斯季亚涅齐战略性

水平扩张是 MongoDB 的另一个内部物理性质，它是 MongoDB 赞成海量样本驱动筒的也就是说。MongoDB 天然的分布固定式物理性质使得它也就是说上可无限的滑动扩张，你于是又也不须为 MySQL 分库分表格的各种繁琐缺陷操碎心了。当然，我们这里不争论 MongoDB 和其它驱动筒涡轮引擎的对比，这个以后专门从事写就下，这里只关注特罗斯季亚涅齐战略性无关电子邮件。

1.3.1 特罗斯季亚涅齐战略性指令集

MongoDB 的特罗斯季亚涅齐战略性由如下三个其余部分组显露：

Config：装配，表格象上是一个 MongoDB 的所有未集，主要职责驱动筒战略性的各种元样本和装配，如特罗斯季亚涅齐地址、chunks 等 Mongos：传输咨询服务，不可知全然赞同样本，从 Config 来进行战略性装配讲到劝告登出到特定的特罗斯季亚涅齐，并且整合特罗斯季亚涅齐结果赶回给IP。 Mongod：一般将全然赞同的单个特罗斯季亚涅齐叫 mongod，先前每个特罗斯季亚涅齐都是一个分开的粘贴战略性，具有主要职责战略性的较高需用物理性质。

其实特罗斯季亚涅齐战略性的指令集看起来和很多赞成海量驱动筒的外观设计很像，表格象上都是将驱动筒特罗斯季亚涅齐，然后在在后挂一个 proxy 认真劝告传输。但是，MongoDB的特罗斯季亚涅齐战略性有个颇为不可或缺的物理性质是其它样本库不曾的，这个物理性质就是样本互补。样本特罗斯季亚涅齐一个绕不开的话题就是样本分布均匀匀引发各不相同特罗斯季亚涅齐负载关联性巨大，不曾法仅次于解构来进行战略性资引。

MongoDB 的样本互补的借助于方固定式也是：

特罗斯季亚涅齐战略性上样本行政短剧叫 chunk，一个 chunk 匹配 64M，可选地区 1 ～ 1024M。 战略性有多极多个 chunk，每个 chunk 的地区，每个 chunk 是仅仅哪个特罗斯季亚涅齐上的，这些样本都是驱动筒在 Config 的。 chunk 才会在其内部工具箱含的样本多达频率时瓦解显露两个。 MongoDB 在运转早先会自定检验各不相同特罗斯季亚涅齐上的 chunk 将近，当同样到仅有和最极多的关联性多达频率就才会重新启动 chunk 移入，使得每个特罗斯季亚涅齐上的 chunk 将近仅有。 chunk 移入更为进一步叫 rebalance，才会相比较耗资引，因此一般要把它的分派时长特设到企业低峰期。

关于 chunk 更为另加全面性的经验才会在末背进阶经验里讲到解，这里就不揭开序幕了。

1.3.2 特罗斯季亚涅齐1]表格达固定式

MongoDB 赞成两种特罗斯季亚涅齐1]表格达固定式来满足各不相同的浏览效益：

区数间特罗斯季亚涅齐：可以按 shardkey 认真区数间浏览的特罗斯季亚涅齐1]表格达固定式，同样按照 shardkey 的差值来特罗斯季亚涅齐。 hash特罗斯季亚涅齐：用的仅有的特罗斯季亚涅齐1]表格达固定式，按 shardkey 的 hash 差值来特罗斯季亚涅齐。hash 特罗斯季亚涅齐可以看作一种多种不同的区数间特罗斯季亚涅齐。

区数间特罗斯季亚涅齐下述：

hash 特罗斯季亚涅齐下述：

从右边两张由此可知可以看显露：

特罗斯季亚涅齐的表格象是将 shardkey 按一定的函将近线性 f(x) 不久的室内空数间划分为一个个紧接著的段，每一段就是一个 chunk。 区数间特罗斯季亚涅齐 f(x) = x；hash 特罗斯季亚涅齐 f(x) = hash(x) 每个 chunk 在室内空数间里起始差值是仅仅 Config 里的。 当劝告到 Mongos 的时候，棍子据 shardkey 的差值算显露 f(x) 的全然赞同差值为 f(shardkey)，找寻工具箱含该差值的 chunk，然后就能适配到样本的实际位置了。 1.4 样本压缩

MongoDB 的另外一个相比较不可或缺的物理性质是样本压缩，MongoDB 才会自动把买家样本压缩不久于是又落盘，这样就可以浪费驱动筒室内空数间。MongoDB 的样本压缩1]表格达固定式有多种：

Snappy：匹配的压缩1]表格达固定式，输入功率 3 ～ 5 倍 Zlib：较高度压缩1]表格达固定式，输入功率 5 ～ 7 倍 复数压缩：目录用的压缩1]表格达固定式，简单解念就是丢出掉重复的复数 zstd：MongoDB 4.2 不久最初增的压缩1]表格达固定式，保有更为好的信噪比

过往自荐的 MongoDB 完整版是 4.0，在这个完整版下自荐用作 snappy 1]表格达固定式，虽然 zlib 有更为较高的输入功率，但是载入才会有一定的效率波动，不简便内部企业，但是相比较简便流水、可知档等布景。

第二其余部分：领域借助于

在明白第一其余部分的也就是说上，大体上对 MongoDB 有一个相比较直观的认识了，明白它是什么，有什么竞争者，简便什么布景。在此也就是说上，我们大体上不太也许可以判定 MongoDB 必要简便自己的企业了。如果简便，那么于是又一就无需并不需要怎么将其领域到企业里。在此之前，我们还得于是又对 MonoDB 的效率有个基本上的知晓，这样才能棍子据企业会所选合适的装配。

2.1 也就是说效率检验

在用作 MongoDB 之前，无需对其功用和效率有一定的知晓，才能判定必要符合自己的企业布景，以及无需同样些什么才能更为好的用作。外数间这边对其认真了一些检验，本检验是基于自己企业的一些样本物理性质，而且这边用作的是特罗斯季亚涅齐战略性。因此有些检验项各不相同样本才会有关联性，如输入功率、载入效率全然赞同差值等。但是也有一些是共性的论点，如写就效率随样本量递减并最终地区平稳。

输入功率

对比了同样样本在 Mongo 和 MySQL 下输入功率对比，可以看显露 snapy 1]表格达固定式都是是 MySQL 的 3 倍，zlib 都是是 6 倍。

写就效率

特罗斯季亚涅齐战略性写就效率在检验不久受益如下论点，这里特罗斯季亚涅齐是 4 核能 8G 的装配：

写就效率的经年累月在单个特罗斯季亚涅齐上 当样本量小时是可知闪可知载入，写就效率更好，不久随着将近量增另加急剧下降，并最终趋于平稳，在 3000QPS。 极多量简单的目录对写就效率不良影响不大 特罗斯季亚涅齐战略性的产品写就和黄昭顺写就效率无关联性，而如果是粘贴战略性的产品写就效率是黄昭顺写就效率的将近倍。这点实在太违背常识，全然赞同原因这边还未找寻。

念效率

特罗斯季亚涅齐战略性的念分为三年种会：按 shardkey 浏览、按目录浏览、其他浏览。下面这些检验样本都是在单特罗斯季亚涅齐 2 亿以上的样本，这个时候 cache 不太也许不曾法完了全换显露企业样本了，如果样本量很小，样本全在 cache 这个效率必要才会更好。

按 shardkey 查下，在 Mongos 处能算显露全然赞同的特罗斯季亚涅齐和 chunk，所以浏览速率颇为稳定，不才会随着样本量变解构。平均花费 2ms 极多于，4 核能 8G 单特罗斯季亚涅齐 3 万 QPS。这种浏览方固定式也的经年累月一般在 特罗斯季亚涅齐 Mongod 上，但也要同样 Mongos 装配不曾法太低。 按目录浏览的时候，由于 Mongos 无需将样本全部登出到所有的特罗斯季亚涅齐，然后聚合全部结果赶回IP，因此效率经年累月在 Mongos 上。检验 Mongos 8 核能 16G + 10 特罗斯季亚涅齐会下，单个 Mongos 的效率在 1400QPS，平均时延 10ms。企业布景目录是唯一的，因此如果目录样本不唯一，后端特罗斯季亚涅齐将近更为多，这个效率还才会更为低。 如果不按 shardkey 和目录浏览因为涉及全表格扫描，因此在样本量上千万不久也就是说不需用Mongos 实在太多种不同会要同样的，就是IP劝告才会到哪个 Mongos 是通过IP ip 的 hash 差值决定的，因此同一个IP所有劝告一定才会到同一个 Mongos，如果IP过极多的时候还才会显露现 Mongos 负载均匀缺陷。 2.2 特罗斯季亚涅齐并不需要

在知晓了 MongoDB 的也就是说效率样本不久，就可以棍子据自己的企业效益所选合适的装配了。如果是特罗斯季亚涅齐战略性，其里最不可或缺的就是特罗斯季亚涅齐所选，都有：

无需多极多个 Mongos 无需分为多极多个特罗斯季亚涅齐 特罗斯季亚涅齐键和特罗斯季亚涅齐1]表格达固定式用什么

关于在后方向上，其实在明白各种效率参将近不久就很简单了，前人不太也许总结显露了无关的公固定式，我这里就简单把由此可知于是又贴一下。

2.3 spring-data-mongo

MonogDB 官方给予了各种语言的 Client，这些 Client 是对 mongo 早期立即的积体电路。外数间这边是用作的 java，因此并未同样用作 MongoDB 官方的IP，而是经过二次积体电路不久的 spring-data-mongo。必要是可以不须他关心最底层的外观设计如连接行政、POJO 转换等。

2.3.1 借助于方式中

spring-data-mongo 的用作方固定式也颇为简单。

第一步：引入 jar 工具箱

Simonltdependency> SimonltgroupIdSimongtorg.springframework.boot SimonltartifactIdSimongtspring-boot-starter-data-mongodb

第二步：ymal 装配

spring: data: mongodb: host: {{.MONGO_HOST}} port: {{.MONGO_PORT}} database: {{.MONGO_DB}} username: {{.MONGO_USER}} password: {{.MONGO_PASS}}

这里有个两个要同样：

权责，MongoDB 的权责是到样本分级的，所有装配的 username 能够有 database 那个库的权责，要不然才会连不上。 这种方固定式也装配不曾仅指定载入 concern，如果无需在连接上仅指定的话，无需用 uri 的方固定式也来装配，两种装配方固定式也是不兼容的，或者自己初始解构 MongoTemplate。

关于装配，跟多的可以在 IDEA 里搜索 MongoAutoConfiguration 察看引码，全然赞同就是这个类：org.springframework.boot.autoconfigure.mongo.MongoProperties

关于自己初始解构 MongoTemplate 的方固定式也是：

@Configurationpublic class MyMongoConfig { @Primary @Bean public MongoTemplate mongoTemplate(MongoDbFactory mongoDbFactory, MongoConverter mongoConverter){ MongoTemplate mongoTemplate = new MongoTemplate(mongoDbFactory,mongoConverter) mongoTemplate.setWriteConcern(WriteConcern.MAJORITY) return mongoTemplate }}

第三步：用作 MongoTemplate

在完了显露右边这些不久，就可以在代码里注入 MongoTemplate，然后用作各种修定改查接口了。

2.3.2 的产品配置同样事项

MongoDB Client 的的产品配置有两种方固定式也：

一条立即配置的产品样本：insertAll，updateMany 等 的产品提出一批立即：bulkOps，这种方固定式也浪费的就是IP与咨询服务筒的交互次将近bulkOps 的方固定式也才会比另外一种方固定式也在效率上低一些。这两种方固定式也到涡轮引擎技术性全然赞同分派时都是一条条操作符分开分派，它们有一个很不可或缺的参将近：ordered，这个参将近的作用是操控的产品配置在涡轮引擎内最终分派时是借助于的还是翻过的。其匹配差值是 true。 true：的产品立即窜行分派，遭遇某个立即缺失时就退显露并报错，这个和感官不一样，它不才会回滚不太也许分派显露功的立即，如的产品嵌入如果某条样本都由键冲突了，那么它在后的样本都才会嵌入显露功，末背的才会不分派。 false：的产品立即借助于分派，单个立即缺失不不良影响其它，在分派形态里才会赶回缺失的其余部分。还是以的产品嵌入为例，这种方固定式而下只才会是都由键冲突那条嵌入失败，其他都才会显露功。显然，false 方固定式而下嵌入花费才会低一些，但是 MongoTemplate 的 insertAll 函将近是在内部写就临死的 true。因此，如果想用 false 方固定式而，无需自己继承 MongoTemplate 然后重写就里的 insertDocumentList 方式中。 public class MyMongoTemplate extends MongoTemplate { @Override protected ListSimonltObject> insertDocumentList(String collectionName, ListSimonltDocument> documents) { ......... InsertManyOptions options = new InsertManyOptions options = options.ordered(false) // 要自己初始解构一个这某类，然后特设为false long begin = System.currentTimeMillis if (writeConcernToUse == null) { collection.insertMany(documents, options) // options这里匹配是null } else { collection.withWriteConcern(writeConcernToUse).insertMany(documents,options) } return null }) return MappedDocument.toIds(documents) } 2.3.3 一些常用的内壁

因为 MongoDB 或许将太多自都由性交给的IP来权衡，因此如果对其知晓以致于，或许才会很易于踩内壁。这里例举一些常用的内壁，避开大家遭遇。

预特罗斯季亚涅齐

这个缺陷的常用表格现就是：为啥我的样本分布很随机了，但是特罗斯季亚涅齐战略性的 MongoDB 嵌入效率还是这么低？

首于是又我们问道下预特罗斯季亚涅齐是什么，预特罗斯季亚涅齐就是提前把 shard key 的室内空数间划分显露若干段，然后把这些段完全相同的 chunk 始创显露来。那么，这个和嵌入效率的关系是什么呢？

我们回顾下在后问道到的 chunk 经验，其里有方向上无需同样：

当 chunk 内的样本多达频率就才会将 chunk 拆分显露两个。 当各个特罗斯季亚涅齐上 chunk 将近关联性过大时就才会重新启动 rebalance，移入 chunk。

那么，很显着，缺陷就是显露在这了，chunk 瓦解和 chunk 移入都是相比较耗资引的，某种某种程度就才会不良影响嵌入效率。

因此，如果提前将个特罗斯季亚涅齐上的 chunk 始创好，就能避开长时数间的瓦解和移入 chunk，进而增强嵌入效率。预特罗斯季亚涅齐的特设方固定式也为：

sh.shardCollection(Simonquotsaky_db.saky_table", {"_id": Simonquothashed"}, false,{numInitialChunks:8192*特罗斯季亚涅齐将近})

numInitialChunks 的数差值为 8192 * 特罗斯季亚涅齐将近

闪可知先后依次

这个是一个不易于被同样到的缺陷，但是用作 MongoDB 时一定要同样的就是避开任何浏览的闪可知配置，因为用 MongoDB 的很多布景都是海量样本，这个会下任何闪可知配置的显露本都也许是颇为较高昂甚至才会搞垮样本库的，当然 MongoDB 为了避开闪可知配置搞垮它，是有个频率，如果无需闪可知彻底解决缺陷的样本多达频率它就不才会彻底解决缺陷并报错。

继续问道闪可知先后依次缺陷，它的表格象是目录缺陷。MongoDB 的目录都是有序的，正序或者不定积分。如果我们有一个 Collection 里记录依然了学生电子邮件，都有年纪和性取向两个字符串。然后我们始创了这样一个填充目录：

{gender: 1, age: 1} // 这个目录于是又按性取向升序先后依次，相近的于是又按年纪升序先后依次

当这个时候，如果你先后依次依次是下面或许，就才会引发闪可知先后依次，如果样本两小到不曾事，如果颇为大的话就才会不良影响效率。避开闪可知先后依次就是要浏览的先后依次方固定式也要和目录的相近。

{gender: 1, age: -1} // 这个目录于是又按性取向升序先后依次，相近的于是又按年纪Bb先后依次

大大标准解构粘贴

大大标准解构粘贴是仅指所有未集的各个所有未在粘贴样本时，并不是都是从 Primary 端口纳 oplog，而是各个端口排显露一条链，依次粘贴过往。

缺陷：避开大量 Secondary 从 Primary 纳 oplog ，不良影响 Primary 的效率。

缺陷：如果 WriteConcern=majority，那么大大标准解构粘贴才会引发写就配置花费很短。

因此，必要重新启动时大大标准解构粘贴就是一个显露本与效率的平衡点，匹配是重新启动时大大标准解构粘贴的：

是停用大大标准解构粘贴，用更为好的机筒装配来赞成所有端口从 Primary 纳 oplog。 还是重新启动时大大标准解构粘贴，用很短的写就花费来减少对端口装配的效益。大大标准解构粘贴停用时，端口样本粘贴对 Primary 端口效率不良影响某种程度目前为止不曾专业知识检验过，因此不曾法评判或许重新启动时还是停用好，这边样本库女学生从他们的经验来促请是停用，因此我这边是停用的，如果简便于到 MongoDB 的可以并不需要关掉。 第三其余部分：进阶经验

于是又一终于到了最不可或缺的其余部分了，这其余部分将讲到解一些 MongoDB 的一些较高阶功用和最底层外观设计。虽然不知晓这些也能用作，但是如果想用好 MongoDB，这其余部分经验是能够明白的。

3.1 驱动筒涡轮引擎 Wired Tiger

问道到 MongoDB 最不可或缺的经验，其驱动筒涡轮引擎 Wired Tiger 赞许是要第一个问道的。因为 MongoDB 的所有功用都是相反最底层驱动筒涡轮引擎借助于的，明白了驱动筒涡轮引擎的内部经验，有利于我们解念 MongoDB 的各种功用。驱动筒涡轮引擎的内部工作是行政样本如何在驱动筒筒和闪可知上载入，从 MongoDB 3.2 开始赞成多种驱动筒涡轮引擎：Wired Tiger，MMAPv1 和 In-Memory，其里匹配为 Wired Tiger。

3.1.1 不可或缺样本形态和 Page

B+ Tree

驱动筒涡轮引擎最内部的功用就是完了显露样本在IP - 闪可知 - 驱动筒筒密切关系的交互。IP是不都从的，因此如何外观设计一个较高效的样本形态和1]表格达固定式，借助于样本并能在闪可知和驱动筒筒数间交互就是驱动筒涡轮引擎无需并不需要的内部缺陷。目前为止大多极多流行的驱动筒涡轮引擎都是基于 B/B+ Tree 和 LSM(Log Structured Merge) Tree 来借助于，至于他们的竞争者和劣势，以及各种仅限于的布景，里途超显露了外数间的能够，末背到是有兴趣去研究课题一下。

Oracle、SQL Server、DB2、MySQL (InnoDB) 这些传统的关系样本库相反的最底层驱动筒涡轮引擎是基于 B+ Tree 联合开发的；而像 Cassandra、Elasticsearch (Lucene)、Google Bigtable、Apache HBase、LevelDB 和 RocksDB 这些局限性相比较流行的 NoSQL 样本库驱动筒涡轮引擎是基于 LSM 联合开发的。MongoDB 虽然是 NoSQL 的，但是其驱动筒涡轮引擎 Wired Tiger 只不过用的 B+ Tree，因此；还有问道法是 MongoDB 是最近 SQL 的 NoSQL 驱动筒涡轮引擎。好了，我们这里明白 Wired Tiger 的驱动筒形态是 B+ Tree 就行了，至于什么是 B+ Tree，它有些啥竞争者网都有很多文章，这里就不在赘述了。

Page

Wired Tiger 在闪可知和驱动筒筒上的样本形态都 B+ Tree，B+ 的特点是里数间端口只有目录，样本都是仅仅枝端口。Wired Tiger 行政样本形态的也就是说短剧 Page。

上由此可知是 Page 在闪可知里的样本形态，是一个相比较的 B+ Tree，Page 上有 3 个不可或缺的 list WT_ROW、WT_UPDATE、WT_INSERT。这个 Page 的的组织形态和 Page 的 3 个 list 对末背解念 cache、checkpoint 等配置很不可或缺：

闪可知里的 Page 柏树是一个 checkpoint 枝端口 Page 的 WT_ROW：是从驱动筒筒念引进来的样本将近组 枝端口 Page 的 WT_UPDATE：是记录依然样本念引不久到下个 checkpoint 密切关系被简化的样本 枝端口 Page 的 WT_INSERT：是记录依然样本念引不久到下个 checkpoint 密切关系最初增的样本

右边问道了 Page 的也就是说形态，于是又一于是又看下 Page 的生命生命期和会下扭转，这个生命生命期和 Wired Tiger 的缓可知息息无关。

Page 在驱动筒筒和闪可知里的整个生命生命期会下机如上由此可知：

DIST：Page 在驱动筒筒里 DELETE：Page 不太也许在驱动筒筒里从柏树里截图 READING：Page 即将被从驱动筒筒念引到闪可知里 MEM：Page 在闪可知里，且能会下载入。 LOCKED：闪可知输给更为进一步（evict）即将锁上 Page LOOKASIDE：在分派 reconcile 的时候，如果 page 即将被其他FAT念引被简化的其余部分，这个时候才会把样本驱动筒在 lookasidetable 里。当页面于是又次被念时可以通过 lookasidetable 分析方法显露闪可知 Page。 LIMBO：在分派完了 reconcile 不久，Page 才会被刷到驱动筒筒。这个时候如果 page 有 lookasidetable 样本，并且还不曾分拆悄悄之前就又被念引到闪可知了，就才会是这个会下，无需于是又从 lookasidetable 分析方法闪可知 Page 才能会下到访。

其里两个相比较不可或缺的更为进一步是 reconcile 和 evict。

其里 reconcile 起因在 checkpoint 的时候，将闪可知里 Page 的简化转换显露驱动筒筒无需的 B+ Tree 形态。在后问道了 Page 的 WT_UPDATE 和 WT_UPDATE 列出格驱动筒了样本被念引到闪可知不久的简化，全然相同一个闪可知级的 oplog，而样本在驱动筒筒里时显然不也许是这样的形态。因此 reconcile 才会最初建一个 Page 来将简化了的样本认真整合，然后原 Page 就才会被 discarded，最初 page 才会被打破到驱动筒筒，同时另加入 LRU 描述符。

evict 是闪可知以致于用了或者脏样本过多的时候触发的，棍子据 LRU 准则输给闪可知 Page 到驱动筒筒。

3.1.2 cache

MongoDB 不是闪可知样本库，但是为了给予较高效的载入配置驱动筒涡轮引擎才会仅次于解构的来进行闪可知缓可知。MongoDB 的载入效率都才会随着样本量增另加到了某个点显露现近乎断崖固定式跌落最终稳定依然。这其里的棍子本原因就是闪可知必要能 cover 住全部的样本，样本量小的时候是纯闪可知载入，效率赞许颇为好，当样本量过大时就才会触发闪可知和驱动筒筒数间样本的不停交换，引发效率减少。所以，如果在用作 MongoDB 时，如果同样到自己某些配置显着较高于除此以外，那么很大也许是它触发了驱动筒筒配置。

于是又一问道下 MongoDB 的驱动筒涡轮引擎 Wired Tiger 是怎样来进行闪可知 cache 的。首于是又，Wired Tiger 才会将整个闪可知划分为 3 块：

驱动筒涡轮引擎内部 cache：缓可知在后讲到到的闪可知样本，匹配尺寸 Max((RAM - 1G)/2,256M )，咨询服务筒 16G 的话，就是(16-1)/2 = 7.5G 。这个闪可知装配一定要同样，因为 Wired Tiger 如果闪可知以致于也许才会引发样本库宕掉的。 目录 cache：换显露目录电子邮件，匹配 500M PDF系统 cache：这个仅仅不是驱动筒涡轮引擎行政，是来进行的配置系统的PDF系统缓可知，目的是增大闪可知和驱动筒筒交互。余下的闪可知都才会用来认真这个。

闪可知扣除尺寸一般是不促请改的，除非你不太可能想把自己全部样本抽出闪可知，并且都由够的涡轮引擎经验。

涡轮引擎 cache 和PDF系统 cache 在样本形态上是不一样的，PDF系统 cache 是同样念引的闪可知PDF，是经过压缩的样本，可以清空更为极多的闪可知室内空数间，相比的就是样本不曾法同样用，无需解压；而涡轮引擎里的样本就是在后讲到到的 B+ Tree，是解压后的，可以同样用作的样本，占有的闪可知才会大一些。

Evict

就算闪可知于是又大它与驱动筒筒数间的差距也是样本量级的关联性，随着样本增长也才会显露现闪可知以致于用的时候。因此闪可知行政一个很不可或缺的配置就是闪可知输给 evict。闪可知输给必定会由 eviction_target（闪可知用作率）和 eviction_dirty_target（闪可知脏样本量）来操控，而闪可知输给匹配是有本该的 evict FAT操控的。但是如果多达一定频率就才会把普通用户FAT也用来输给，才会严重不良影响效率，必要避开这种会。普通用户FAT参加 evict 的原因，一般是大量的写就入引发驱动筒筒 IO 抗击不住了，无需操控写就入或者更为换驱动筒筒。

3.1.3 checkpoint

在后问道过，MongoDB 的载入都是配置的闪可知，因此能够要有一定的功用将闪可知样本更为为不可或缺解构到驱动筒筒，这个功用就是 Wired Tiger 的 checkpoint 来借助于的。checkpoint 借助于将闪可知里简化的样本更为为不可或缺解构到驱动筒筒，尽也许系统在因起因意外里止不久能并能丧失样本。checkpoint 本身样本也是才会在每次 checkpoint 分派时落盘更为为不可或缺解构的。

一个 checkpoint 就是一个闪可知 B+ Tree，其形态就是在后讲到到的 Page 组显露的柏树，它有几个不可或缺的字符串：

root page：就是仅指向 B+ Tree 的棍子端口 allocated list pages：上个 checkpoint 结束不久到本 checkpoint 结束前最初扣除的 page 列出格 available list pages：Wired Tiger 扣除了但是不曾用作的 page，最初建 page 时同样从这里引。 discarded list pages：上个 checkpoint 结束不久到本 checkpoint 结束前被完备版的 page 列出格

checkpoint 的基本上流程入上由此可知所述：

在系统重新启动或者论域PDF打开时，从驱动筒筒念引促使更为换的 checkpoint。 棍子据 checkpoint 的 file size truncate PDF。因为只有 checkpoint 核能实的样本才是真正更为为不可或缺解构的样本，它末背的样本也许是促使更为换 checkpoint 不久到宕机密切关系的样本，不曾法同样用，无需通过 Journal 可知档来过场。 棍子据 checkpoint 构建闪可知的 B+ Tree。 样本库 run 起来不久，各种简化配置都是配置 checkpoint 的 B+ Tree，并且才会 checkpoint 才会有专门从事的 list 来记录依然这些简化和最初增的 page 在 60s 一次的 checkpoint 分派时，才会始创最初的 checkpoint，并且将才将的 checkpoint 样本分拆悄悄。然后分派 reconcile 将简化的样本打破到驱动筒筒，并截图才将的 checkpoint。这时候才会清空 allocated，discarded 里的 page，并且将那时候的 page 另加到 available 里。 3.2 Chunk

Chunk 为啥要分开显露来问道一下呢，因为它是 MongoDB 特罗斯季亚涅齐战略性的一个内部种概念，是用作和解念特罗斯季亚涅齐战略性载入借助于的最也就是说的种概念。

3.2.1也就是说电子邮件

首于是又，问道下 chunk 是什么，chunk 表格象上就是由一组 Document 组显露的范固定式样本短剧。它是特罗斯季亚涅齐战略性用来行政样本驱动筒和传输的也就是说短剧。全然赞同来问道就是，特罗斯季亚涅齐战略性不才会记录依然下面样本在哪个特罗斯季亚涅齐上，这不现实，它只才会记录依然哪一批（一个 chunk）样本驱动筒在哪个特罗斯季亚涅齐上，以及这个 chunk 工具箱含哪些地区的样本。而样本与 chunk 密切关系的关联是有样本的 shard key 的特罗斯季亚涅齐1]表格达固定式 f(x) 的差值必要在 chunk 的起始地区来已确定的。

在后问道过，特罗斯季亚涅齐战略性的 chunk 电子邮件是仅仅 Config 里的，而 Config 表格象上是一个粘贴战略性。如果你始创一个特罗斯季亚涅齐战略性，那么你匹配才会受益两个库，admin 和 config，其里 config 库完全相同的就是特罗斯季亚涅齐战略性指令集里的 Config。其里的工具箱含一个 Collection chunks 里记录依然的就是特罗斯季亚涅齐战略性的全部 chunk 电子邮件，全然赞同形态如下由此可知：

chunk 的几个关键物件：

_id：chunk 的唯一标识 ns：取名室内空数间，就是 DB.COLLECTION 的形态 min：chunk 工具箱含样本的 shard key 的 f(x) 总和差值 max：chunk 工具箱含样本的 shard key 的 f(x) 数差值 shard：chunk 局限性所在特罗斯季亚涅齐 ID history：记录依然 chunk 的移入历史 3.2.2 chunk 瓦解

chunk 是特罗斯季亚涅齐战略性行政样本的也就是说短剧，本身有一个尺寸，那么随着 chunk 内的样本促使最初增，最终尺寸才会多达限制，这个时候就无需把 chunk 拆分显露 2 个，这个就 chunk 的瓦解。

chunk 的尺寸不曾法多大也不曾法考虑到。多大了才会引发移入显露本较高，考虑到了有才会触发长时数间瓦解。因此它无需一个充分的地区，匹配尺寸是 64M，可装配的引差值地区是 1M ～ 1024M。这个尺寸一般来问道是不须专门从事装配的，但是也有特例：

如果你的单条样本考虑到了，25W 条也远之比 64M，那么可以适当调小，但也不是必要的。 如果你的样本单条过大，极小了 64M，那么就能够得调大 chunk 了，否则才会导致 jumbo chunk，引发 chunk 不曾法移入。引发 chunk 瓦解有两个于是又决条件，大幅提高任何一个都才会触发： 容量大幅提高频率：就是 chunk 里的样本尺寸另加起来多达频率，匹配是右边问道的 64M 样本量到达频率：在后讲到到了，如果单条样本考虑到，不另加限制的话，一个 chunk 内样本量也许几十上百万条，这也才会不良影响载入效率，因此 MongoDB 内置了一个频率，chunk 内样本量多达 25W 条也才会瓦解。 3.2.3 rebalance

MongoDB 一个顾名思义其他分布固定式样本库的物理性质就是自动样本互补。

chunk瓦解是 MongoDB 尽也许样本互补的也就是说：样本的促使增另加，chunk 促使瓦解，如果样本均匀匀就才会引发各不相同特罗斯季亚涅齐上的 chunk 将近目显露现关联性，这就彻底解决了特罗斯季亚涅齐战略性的样本均匀匀缺陷同样到。然后就可以通过将 chunk 从样本多的特罗斯季亚涅齐移入到样本极多的特罗斯季亚涅齐来借助于样本互补，这个更为进一步就是 rebalance。

如下由此可知所示，随着样本嵌入，引发 chunk 瓦解，让 AB 两个特罗斯季亚涅齐有 3 个 chunk，C 特罗斯季亚涅齐只有一个，这个时候就才会把 B 扣除的移入一个到 C 分特罗斯季亚涅齐借助于战略性样本互补。

分派 rebalance 是有几个前置于是又决条件的：

样本库和论域重新启动时了 rebalance 锁，匹配是重新启动时的。 局限性时长在特设的 rebalance 时长窗，匹配不曾装配，就是只要检验到了就才会分派 rebalance。 战略性里特罗斯季亚涅齐 chunk 将近仅次于和总和之差多达频率，这个频率和 chunk 总将近有关，全然赞同如下：

rebalance 为了尽快完了显露样本移入，其外观设计是尽仅次于努力移入，因此是颇为消耗系统资引的，在系统装配不较高的时候才会不良影响系统会下企业。因此，为了增大其不良影响无需：

预特罗斯季亚涅齐：增大大量样本嵌入时长时数间的瓦解和移入 chunk 特设 rebalance 时长窗 对于也许才会不良影响企业的大规模样本移入，如拟于特罗斯季亚涅齐，可以采引手段移入的方固定式也来操控移入速率。 3.3 相容性/较高需用

分布固定式系统能够要受制于的一个缺陷就是样本的相容性和较高需用，针对这个缺陷有一个颇为著名的原理就是 CAP 原理。CAP 原理的内部论点是：一个分布固定式系统仅有不用同时满足相容性（Consistency）、需用性（Availability）和北区容错性（Partition tolerance）这三项里的两项。关于 CAP 原理在网上有颇为多的见解，这里也不赘述。

CAP 原理提显露了分布固定式系统能够面临的缺陷，但是我们也不也许因为这个缺陷就不须分布固定式系统。因此，BASE（Basically Available 也就是说需用、Soft state 软会下、Eventually consistent 最终相容性）原理被提显露来了。BASE 原理是在相容性和需用性上的平衡点，过往大其余部分分布固定式系统都是基于 BASE 原理外观设计的，当然 MongoDB 也是遵循此原理的。

3.3.1 补选和 Raft 协商

MongoDB 为了尽也许需用性和北区容错性，选用的是所有未集的方固定式也，这种方固定式而就能够要彻底解决的一个缺陷就是怎样并能在系统重新启动和 Primary 起因异常时所选一个合适的都由端口。这里潜在着多个缺陷：

系统怎样同样到 Primary 异常？ 哪些 Secondary 端口有资格参另加 Primary 补选？ 同样到 Primary 异常不久用什么样的1]表格达固定式选显露最初的 Primary 端口？ 怎么样确保选显露的 Primary 是早先的？

Raft协商

MongoDB 的补选1]表格达固定式是基于 Raft 协商的基础上，Raft 协商将分布固定式战略性里的端口有 3 种会下：

leader：就是 Primary 端口，主要职责整个战略性的写就配置。 candidate：候选者，在 Primary 端口挂掉不久，参加候选人的端口。只有补选在此期数间才才会仅仅，是个临时就会下。 flower：就是 Secondary 端口，正向的从 Primary 端口纳引更为换样本。

端口的会下变解构是：会下会下只有一个 leader 和多个 flower，当 leader 挂掉了，那么 flower 里就才会有其余部分端口显露为 candidate 参加候选人。当某个 candidate 候选人显露功不久就显露为最初的 leader，而其他 candidate 留在 flower 会下。全然赞同会下机如下：

Raft 协商里有两个内部 RPC 协商分别领域在补选期里和会下期里：

劝告表决：补选期里，candidate 向其他端口发起劝告，劝告对方给自己表决。 追另加条目：会下期里，leader 端口向 flower 端口发起劝告，告诉对方有样本更为换，同时作为跳动功用来向所有 flower 台湾民政府自己的地位。如果 flower 在一定时长内不曾接到该劝告就才会重新启动最初一轮的补选表决。

表决准则

Raft 协商订明了在补选期里的表决准则：

一个端口，在一个补选生命期（Term）内不用给一个candidate 端口投到赞显露票，且于是又到于是又得 只有在 candidate 端口的 oplog 领于是又或和自己相近早先投到赞显露票

补选更为进一步

一轮完了整的补选更为进一步工具箱含如下内容：

某个/多个 flower 端口受罚未接到 leader 的跳动，将自己忽略显露 candidate 会下，增另加补选生命期（Term），然后于是又给自己投到一票，并向其他端口发起表决劝告。 才会其它端口的表决赶回，年中如果接到其它 candidate 发来的劝告，棍子据表决准则给其它端口表决。 如果某个 candidate 在接到损失惨重的赞显露票不久，就把自己转换显露 leader 会下，并向其它端口发送给跳动宣誓登位。 如果端口在不曾接到损失惨重赞显露票之前，接到了来自 leader 的跳动，就将自己退留在 flower 会下。 只要本轮有选显露 leader 就完了显露了补选，否则受罚重新启动最初一轮补选。

catchup（追赶）

以上就是目前为止明白的 MongoDB 的补选功用，其里有个缺陷里途还未受益缺失性，就是就此一个，怎样确保选显露的 Primary 是早先的那一个。因为，从在后的协商来看，仅仅一个范固定式 bug：由于 flower 转换显露 candidate 是随机借助于的，于是又另加上于是又到于是又得的表决功用才会引发选显露一个次优的端口显露为 Primary。但是这一点必要是外数间自己明白经验以致于，必要是有无关功用尽也许的，猜疑是通过端口优于是又级借助于的。这点也和无关女学生核能实过，因此这里暂定此缺陷不仅仅，等全面性研修这里的全然赞同不久补充其外观设计和借助于。

针对 Raft 协商的这个缺陷，依然浏览了一些文献资料，论点是：

Raft 协商不太可能不尽也许补选显露来的 Primary 端口是最优的 MongoDB 通过在补选显露功，到最初 Primary 登位之前，最初增了一个 catchup（追赶）配置来彻底解决。即在端口来进行表决胜利不久，才会于是又检验其它端口必要有比自己更为换的 oplog，如果不曾就同样登位，如果有就于是又把样本重新启动时悄悄于是又登位。 3.3.2 非对称重新启动时

MongoDB 的非对称重新启动时功用是确保样本相容性和性能的不可或缺功用。其重新启动时的也就是说是 oplog，全然相同 MySQL 的 binlog，但是也有一些关联性，oplog 虽然叫 log 但并不是一个PDF，而是一个论域（Collection）。同时由于 oplog 的借助于写就入，仅仅背部乱序和或许现象，全然赞同来问道就是 oplog 里的样本依次也许是和实际样本依次不赞同，并且仅仅时长的不紧接著缺陷。为知晓决这个缺陷，MongoDB 选用的是分离范固定式时钟（HLC）来彻底解决的，HLC 不止彻底解决乱序和或许缺陷，同时也是用来彻底解决分布固定式系统上政府部门相容性的提案。

非对称重新启动时的表格象仅仅就是，Primary 端口接收IP劝告，将更为换配置写就到 oplog，然后 Secondary 从重新启动时引纳引 oplog 并本地过场，借助于样本的重新启动时。

重新启动时引所选

重新启动时引是仅指端口纳引 oplog 的引端口，这个端口不一定是 Primary ，大大标准解构粘贴方固定式而下就也许是任何端口。端口的重新启动时引所选是一个颇为多样的更为进一步，基本上上来问道是：

端口保证整个战略性的全部端口电子邮件，并每 2s 发送给一次跳动检验，活到的端口都是重新启动时引预选端口。 落后自己的端口不曾法认真重新启动时引：就是引端口促使更为换的 opTime 不曾法之比自己促使更为换的 opTime 落后 Primary 30s 以上的不曾法作为重新启动时引 太超前的端口不曾法作为重新启动时引：就是引端口最老的 opTime 不曾法极小自己促使更为换的 opTime，否则有 oplog 或许。

在重新启动时引所选时有些多种不同会：

普通用户可以为端口仅指定重新启动时引 如果停用大大标准解构粘贴，所有 Secondary 端口的重新启动时引都是 Primary 端口 如果从重新启动时引纳引显露错了，才会被短期另加入黑名单

oplog纳引和过场

整个纳引和过场的范固定式颇为多样，这里棍子据自己的解念标准解构陈述，如果想知晓更为多经验可以详见《MongoDB 粘贴技术内幕》

端口有一个专门从事纳引 oplog 的FAT，通过 Exhausted cursor 从重新启动时引纳引 oplog。纳引依然不久，并不才会分派过场分派，而是才会将其丢出到一个本地的漏出描述符里。

然后有多个全然赞同的分派FAT，从漏出描述符里引显露 oplog 并分派。在引显露更为进一步里，同一个 Collection 的 oplog 一定才会被同一个FAT引显露分派，FAT才会尽也许的分拆紧接著的嵌入立即。

整个过场的分派更为进一步，基本上为于是又另加锁，然后写就本店 oplog，然后将 oplog 刷盘（WAL 功用），就此更为换自己的促使更为换 opTime。

3.4 目录

目录对任何样本库而言都是颇为不可或缺的一个功用。样本库赞成的目录类别，决定的样本库的浏览方固定式也和领域布景。而缺失的用作目录能够让我们仅次于解构的来进行样本库效率，同时避开不充分的配置引发的样本库缺陷，最常用的缺陷就是 CPU 或闪可知剩余。

3.4.1 也就是说种概念

MongoDB 的目录和 MySql 的目录实在太不一样，它的目录在始创时能够仅指定依次（1：升序，-1：Bb），同时所有的论域都有一个匹配目录 _id，这是一个唯一目录，全然相同 MySql 的都由键。

MongoDB 赞成的目录类别有：

单字符串目录：建立在单个字符串上的目录，目录始创的先后依次依次无所谓，MongoDB 可以头/背开始遍历。 填充目录：建立在多个字符串上的目录。 多 key 目录：我们明白 MongoDB 的一个字符串也许是将近组，在对这种字符串始创目录时，就是多 key 目录。MongoDB 才会为将近组的每个差值始创目录。就是问道你可以按照将近组里的差值认真于是又决条件来浏览，这个时候即使如此才会走去目录。 Hash 目录：按样本的哈希差值目录，用在 hash 特罗斯季亚涅齐战略性上。 地理位置目录：基于东北方的目录，简便 2D 和 3D 的位置浏览。 文本目录：MongoDB 虽然赞成全文目录，但是效率低下，里途不促请用作。 3.4.2 同样事项

目录功用薄弱，但是也有很多限制，用作目录时一定要同样一些缺陷。

填充目录

填充目录有几个缺陷无需同样：

填充目录遵循复数匹配主张：{userid:1,score:-1} 的目录隐含了 {userid:1} 的目录 避开闪可知先后依次：填充目录除第一个字符串之外，其他字符串的浏览先后依次方固定式也，能够和目录先后依次方固定式也赞同，否则才会引发闪可知先后依次。如在后的目录，可以赞成 {userid:-1,score:-1} 的浏览，同时也能赞成 {userid:1,score:1} 的浏览，只是后一种无需闪可知先后依次 score 字符串。 目录空集：目录空集时浏览优解构筒的优解构提案，很极多加进，尽力不要相反这个功用。目录空集表格象上就有始创两个独立的单字符串目录，在浏览保护两个字符串时，优解构筒自动认真目录空集。如 {user:1} + {score:-1} 两个目录的空集可以赞成在后的 {userid:1,score:1} 的浏览

本该始创目录

在对一个不太也许保有不大样本集的 Collection 始创目录时，促请通过始创立即参将近仅指定本该始创，不才会漏出立即和起因意外里断。但是，在本该始创多个目录时，不曾法立即分派完了就接着下一个。因为是本该始创，立即行虽然推显露了，但是目录还不曾始创完了。这个时候如果同事输入多个始创目录立即，才会因为大量的写就配置和样本粘贴引发系统 cpu 剩余。这个时候无需观察系统监控，已确定第一个目录始创完了了于是又分派下一个。

3.4.3 explain

explain 是 MongoDB 的浏览计划书来进行，和 MySql 的 explain 功用相近，都是用来分析一条操作符的目录用作会、不良影响行将近、分派时长等。

explain 有三种参将近分别完全相同结果输显露的三其余部分样本：

queryPlanner：MongoDB 运转浏览优解构筒对局限性的浏览收尾审计并并不需要一个最佳的浏览计划书。 exectionStats：mongoDB 运转浏览优解构筒对局限性的浏览收尾审计并并不需要一个最佳的浏览计划书收尾分派。在分派完了毕后赶回这个最佳分派计划书分派完了显露时的无关统计数字电子邮件。 allPlansExecution：即按照最佳的分派计划书分派以及列显露统计数字电子邮件，如果有多个浏览计划书，还才会列显露这些非最佳分派计划书其余部分的统计数字电子邮件。

explain 是一个颇为简便于的来进行，促请在一个样本量不大的样本库上联合开发最初功用时，一定要用 explain 分析一下自己的操作符必要充分、目录必要充分，避开在项目上线不久显露现缺陷。

。

天津白癜风医院哪最好
昆明白癜风医院排行
昆明看白癜风的专业医院
海露滴眼液真的能护眼吗
郑州妇科医院哪家比较好