MongoDB优化的几点原则

基础篇（能解决工作中80%的问题）:

1. MongoDB的概述、应用场景、下载方式、连接方式和发展历史等

2. MongoDB数据类型、重要概念以及shell常用指令

3. MongoDB文档的各种增加、更新、删除操作总结

4. MongoDB各种查询操作总结

5. MongoDB对列的各种操作总结

6. MongoDB中的索引操作总结

进阶篇:

7. MongoDB聚合操作总结

8. MongoDB的导入导出、备份恢复总结

9. MongoDB的用户管理总结

10. MongoDB复制（副本集）总结

11. MongoDB 分片总结

12. MongoDB 遇见 spark（进行整合）

13. MongoDB内部的存储原理

其它:

14. python3操作MongoDB的各种案例

15. MongoDB命令汇总

1.查询优化

确认你的查询是否充分利用到了索引，用explain命令查看一下查询执行的情况，添加必要的索引，避免扫表操作。

2.搞清热数据大小

可能你的数据集非常大，但是这并不那么重要，重要的是你的热数据集有多大，你经常访问的数据有多大(包括经常访问的数据和所有索引数据)。

使用MongoDB，你最好保证你的热数据在你机器的内存大小之下，保证内存能容纳所有热数据。

3.选择正确的文件系统

MongoDB的数据文件是采用的预分配模式，并且在Replication里面，Master和Replica Sets的非Arbiter节点都是会预先创建足够的空文件用以存储操作日志。

这些文件分配操作在一些文件系统上可能会非常慢，导致进程被Block。所以我们应该选择那些空间分配快速的文件系统。这里的结论是尽量不要用ext3，用ext4或者xfs。

4.选择合适的硬盘

这里的选择包括了对磁盘RAID的选择，也包括了磁盘与SSD的对比选择。

5.尽量少用in的方式查询

尤其是在shard上，他会让你的查询去被一个shand上跑一次， 如果逼不得已要用的话再每个shard上建索引。

优化in的方式是把in分解成一个一个的单一查询。速度会提高40-50倍

6.合理设计sharding key

增量sharding-key：适合于可划分范围的字段，比如integer、float、date类型的，查询时比较快

随机sharding-key: 适用于写操作频繁的场景，而这种情况下如果在一个shard上进行会使得这个shard负载比其他高，不够均衡，故而希望能hash查询key，将写分布在多个shard上进行,考虑复合key作为sharding key， 总的原则是查询快，尽量减少跨shard查询，balance均衡次数少。

mongodb默认是单条记录16M，尤其在使用GFS的时候，一定要注意shrading-key的设计。

不合理的sharding-key会出现，多个文档，在一个chunks上，同时，因为GFS中存贮的往往是大文件，导致mongodb在做balance的时候无法通过sharding-key来把这多个文档分开到不同的shard上， 这时候mongodb会不断报错 [conn27669] Uncaught std::exception: St9bad_alloc, terminating。最后导致mongodb倒掉。

解决办法：加大chunks大小（治标），设计合理的sharding-key（治本）。

7.mongodb可以通过profile来监控数据，进行优化。

查看当前是否开启profile功能 用命令db.getProfilingLevel() 返回level等级，值为0|1|2，

分别代表意思：0代表关闭，1代表记录慢命令，2代表全部

开启profile功能命令为 db.setProfilingLevel(level); #level等级，值同上 level为1的时候，慢命令默认值为100ms，更改为db.setProfilingLevel(level,slowms)如db.setProfilingLevel(1,50)这样就更改为50毫秒

通过db.system.profile.find() 查看当前的监控日志。