MongoDB实战-MongoDB的查询优化器与hint()

    查询优化器是MongoDB的一部分，如果存在可用的索引，它会为给定查询选择一个最高效的索引。在为查询选择理性的索引时，优化查询器使用了一套相对简单的规则：

(1) 避免scanAndOrder，如果查询中包含排序，尝试使用索引进行排序；

(2) 通过有效的索引约束来满足所有字段--尝试对查询选择器里的字段使用索引

(3) 如果查询包含范围查找或者排序，那么对于选择的索引，其中最后用到的键需能满足该范围查找或者排序。

     如果某个索引能满足以上所有这些条件，那么它会被视为最佳索引并予以使用。要是有多个最佳索引，则任意选择一个。可以遵循这条经验：如果能为查询构建最优索引，查询优化器的工作能更轻松些。

    下面有一个查询，它完全满足索引(和查询优化器)。回顾股票数据集，假设要执行如下查询，获取所有大于200的谷歌收盘价：

db.stock.find({stock_symbol:"GOOG",close:{$gt:200}})

     该查询的最优索引同时包含这两个键，但是其中把close键放在最后以便执行范围查询。

db.stock.ensureIndex({stock_symbol:1,close:1})

     如果执行查询，可以看到这两个键都被用到了，索引边界也与预想的一样：

执行状态结果显示，totalDocsExamined:730,nReturned:730。两者值相同。现在来看下没有索引能完美应用于查询之上的情况。通过getIndexes列出索引，通过getIndexKeys()列出索引键。

如果查询中同时包含了这两个键，但是没有明显的索引可用，这时就该查询优化器出马了。它所使用的试探方式完全是基于totalDocsExamined。换句话说，查询优化器会选择扫描选项最少的索引。首次运行时，查询优化器会为每个可能有效适用于该查询的索引键创建计划，随后并行运行这些计划，totalDocsExamined值最低的计划胜出。优化器会停止那些长时间运行的计划，将胜出的计划保存下来，供后续使用。

     你可以查询并运行explain来查看实际的运行过程。首先，删除复合索引{stock_symbol:1,close:1}，并在这些键上构建单独的索引；

db.stock.dropIndex("stock_symbol_1_close_1")
db.stock.ensureIndex({stock_symbol:1})
db.stock.ensureIndex({close:1})

执行explain的结果。

可以看出胜出的执行计划是基于stock_symbol_1的索引。扫描了894个文档。若要查看为什么不选用close_1索引的原因，可以通过hint操作强制查询优化器选择某个特殊的索引。比如强制查询选择器使用close:1的索引，并查看执行结果：

query={stock_symbol:"GOOG",close:{$gt:100}}
db.stock.find(query).hint({close:1}).explain(true).executionStats

发现，若指定使用close作为查询优化器的使用索引，则需扫描28345个文档，与894相差太多。且查询完成时间前者为25ms，后者为192ms，也证实了查询优化器的试探方式，越少的文档扫描的执行计划胜出。

     剩下的就是要理解查询优化器是如何缓存它所选择的查询计划。并让其过期的。毕竟，你不希望优化器都并行运行所有计划。在发现一个成功的计划之后，会记录下查询模式(query pattern)，totalDocsExamined的值及索引说明。针对刚才的查询，记录的结构如下：

{pattern:{stock_symbol:'equality',close:'bound',index:{stock_symbol:1},totalDocsExamined:894}}

      查询模式记录下了每个键的匹配类型，你正请求对stock_symbol的精确匹配（相等）时，close的范围匹配（边界）。只要新的查询匹配此模式，就会使用该索引。但这一信息也不是永久的，实际情况也是如此，在发生以下事件之后优化器会自动让计划过期：

      对集合执行了100次写操作

     在集合上增加或删除索引

     虽然使用了缓存的查询计划，但工作量大于预期。此处，“工作量大”的标准是totalDocsExamined超过缓存totalDocsExamined的值的10倍。