《MongoDB实战》读书笔记

在国庆前后看了《MongoDB实战》，结合上半年工作中的云数据库的工作和自己使用mongo的一些的经验，做一下总结。

本文来自「心谭博客」的《基础、编码和优化》和《进阶：索引、复制和分片》，更多文章放在了Github仓库。欢迎Star。

MongoDB特性和介绍

1. 简介

MongoDB的特点：扩展策略、直观的数据模型。在mongodb中，编程语言定义的对象能被“原封不变”地持久化，消除对象结构和程序映射的复杂性。

2. 主要特性

数据模型

关系型与正规化：对于关系型数据库，数据表本质上是扁平的，因此表示多个一对多关系就需要多张表。经常用到的技术是拆表，这种技术是正规化。

但对于Mongo来说，文档支持嵌套等多种格式，无需事先定义Schema。

即时查询

mysql和mongodb都支持即时查询，不同的是：前者依赖正则化的模型；后者假定查询字段是存储与文档中的。

二级索引

mongodb支持二级索引，是通过b-tree实现的。

复制

通过副本集的拓扑结构来提供复制功能，其目的是：提供数据的冗余。

副本集的主节点能接受读写操作，但从节点是只读的。主节点出问题，会自动故障转移，选取一个从节点升级为主节点。

写速度和持久性

写速度：给定时间内，数据库可以处理的插入、更新和删除操作的数量。

持久性：数据库保持上述写操作的结果不改变的，所用的时间长短。

DB领域，写速度和持久性存在一种相反关系。很好理解，例如memcached，直接写入内存，写速度非常快，但同时数据完全易失。

mongodb的写操作，默认是fire-and-forget：通过TCP发送写操作，不要求数据库应答。用户可以开启安全模式，保证写操作正确无误写入db。并且安全模式可以配置，用于阻塞操作。

对于高容量、低价值数据（点击流、日志），默认模式更优；对于重要数据，倾向于安全模式。

mongo中，Journaling日志默认开启。所有写操作会被提交到一个只能追加的日志中。以应对故障后的，重启修复服务。

数据库扩展

• 垂直扩展（向上扩展）：升级硬件，来提高单点性能
• 水平扩展（向外扩展）：将数据库分布到多台机器，是基于自动分片。其中，单独的分片由一个副本集组成，至少有2个节点，保证没有单点失败。

3. 核心服务器和工具

核心服务器

通过mongod可以运行核心服务器。数据文件存储在/data/db中。如果下载编译mongo的源代码，需要手动创建/data/db，并且为其分配权限。

其中，mongo的内存管理是由操作系统来处理的。数据文件通过mmap()系统API，映射成系统的虚拟内存。

命令行

是基于JavaScript编写的。所以能看到很多通用的语法，以及输出的格式。

数据库驱动

针对多个语言，都提供了驱动使用。并且风格几乎保持统一的API接口。

命令行工具

安装到MaxOS后，全局会多出以下命令：

• mongodump和mongorestore：前者用BSON格式，来备份数据库数据。方便后者恢复。
• mongoexport和mongoimport：导入导出JSON、CSV和TSV格式数据。

4. Mongo的场景

适用于事先无法知晓数据结构的数据，或者数据结构经常不确定性较大的数据。

除此之外，还适用于与分析相关的场景。mongo提供一种固定集合，常用于日志，特点是分配的大小固定，类似于循环队列。

5. 局限

由于使用内存映射，32位系统只能对4GB内存寻址。一半内存被os占用，那么只有2GB能用来做映射文件。所以，必须部署在64位操作系统上。

程序编写基础

mongo驱动的find方法，返回的是游标对象，可以理解为迭代器的下标。在NodeJS中，它的名字和类型是Cursor。

在Nodejs中，

1. 驱动工作原理

主要有3个功能：

1. 生成MongoDB对象的ID，它是存储在_id字段中的默认值
2. 驱动会把特定语言的文档表述，和BSON互换
3. 使用TCP套接字与数据库通信

对象ID

在自带的交互式命令行中:

> id = ObjectId()
ObjectId("5d9413867cc8dacf9247fe3e")

对于生成的5d9413867cc8dacf9247fe3e:

- 5d941386 ，这4个字节是时间戳，单位秒数
- 7cc8da，机器ID
- cf92，进程ID
- 47fe3e，计数器

2. 安全写入模式(Write Concern)

对所有的写操作（插入、更新或删除）都能开启此模式。以此保证，操作一定在数据库层面生效。

在v4.0中，以insert为例，文档如下：

db.collection.insert(
   <document or array of documents>,
   {
     writeConcern: <document>,
     ordered: <boolean>
   }
)

关于 Write Concern的详细参数，可以看这篇文档：https://docs.mongodb.com/manual/reference/write-concern/

其中，重要的是w 参数，它可以指定是否使用应答写入。目前默认是1，应答式写入。设置为0，则是非应答式。

面向文档的数据

1. Schema 设计原则

设计数据库Schema式根据数据库特点和应用程序需求的情况下，为数据集选择最佳表述的过程。

2. 设计电子商务数据模型

一对多：产品和分类

假设一个电商场景，要对一个商品doc进行设计。对于商品，它有多个分类category，因此需要一对多操作，同时，mongo不支持联结操作（join）。

因此解决方案是，在商品的一个字段中，保存分类指针的数组。这里的指针，就是mongo中的对象ID。

下面是一个简单的例子：

> db.products.find()
{ "_id" : ObjectId("5d9423257cc8dacf9247fe41"), "categories" : [ ObjectId("5d9423017cc8dacf9247fe3f") ] }
> db.categories.find({})
{ "_id" : ObjectId("5d9423017cc8dacf9247fe3f"), "name" : "分类1" }
{ "_id" : ObjectId("5d9423037cc8dacf9247fe40"), "name" : "分类2" }

一对多：用户与订单

和前面的关系不同，这里的“多”体现在“订单”上。这里的订单中，保存着指向用户的指针。

评论

每个产品会有多个评论，而每个评论，可能会有点赞人列表。当要展示返回给前端的时候，需要获取产品评论，并且获取点赞人列表。

方案1：点赞人列表，保存着由指针组成的集合。可以先查询产品评论后，再对点赞做2次查询。

方案2：由于仅需要点赞人的头像和名称（少量信息），可以使用去正规化，不再保存指针，而是简单信息。

上面2种方案，都可以防止重复点赞的发生。

3. 具体细节

数据库

即使使用use切换一个新的数据库，如果没有insert数据，该数据库并不会创建。

mongodb会为数据、集合、索引进行空间分配，并且采取的是预分配的方式，每次空间不够的时候，扩充2倍。

通过 db.stats() 可以查看当前db的状态，下面是一个示例：

> db.stats()
{
	"db" : "info_keeper",
	"collections" : 3,
	"views" : 0,
	"objects" : 11,
	"avgObjSize" : 255.8181818181818,
	"dataSize" : 2814, // 数据库中BSON对象实际大小
	"storageSize" : 86016, // 包含了集合增长的预留空间和未分配的已删除空间
	"numExtents" : 0,
	"indexes" : 5,
	"indexSize" : 155648, // 数据库索引大小的空间
	"fsUsedSize" : 86272356352,
	"fsTotalSize" : 250685575168, 
	"ok" : 1
}

集合

1、重命名操作：

> use test
> db.orders.renameCollection( "orders2014" )

2、固定集合

对应日志统计之类的、只有最近的数据才有价值的场景下，可以使用固定集合：一旦容量到上限，后续插入会逐步覆盖最先插入的文档。

创建时候，需要同时指定createCollection的capped和size参数：

db.createCollection('logs',{ capped : true, size : 5242880 })

为了性能优化，mongo不会为固定集合创建针对_id的索引。同时，不能从中删除doc，也不能执行任何更改文档大小的更新操作。

3、键名选择

慎重选择键名，例如，用dob代替date_of_birth，一个文档可以省下10字节。

查询和聚合

1. 查询常见技巧

分页查询可以通过skip和limit配合使用实现。

空值查询可以通过驱动的空值字面量实现，比如在node中，想查询logs中不包含name字段的记录：db.logs.find({ name: null })。

减少序列化和网络传输，可以通过给定find的第二个参数，来选定数据库返回给驱动的文档的字段，比如：db.products.find({}, {_id: 1})。这条命令，只返回文档的_id字段。

复合索引，复合索引的设定，遵循着「从准确到宽泛」的规则。比如对于订单记录，有着下单人和时间2个字段。应该先为下单人字段设置索引，再为时间字段设置索引。可以理解为前者是精确查找，可以大大缩小查找结果集；后者是范围查找。

嵌套字段查询，对于负责对象字段的查询，直接通过.运算符即可。例如：db.demos.find({a: {b : 1}})和db.demos.find({"a.b": 1}) 是等效的。

2. 常见查询语言

MongoDB的查询本质：实例化了一个游标，并获取它的结果集。

范围查询

范围操作符用法很简单，但注意：不要在范围查找时候误用重复搜索键。

错误：db.users.find({age: { $gte: 0 }, age: { $lte: 30 } })

正确：db.users.find({age: {$gte: 0, $lte: 30}})

集合操作

集合操作符一共有3个：$in、$all、$nin。

in和nin是一对，in相当于使用多个OR操作符：db.products.find({'tags': {$in: [ObjectId('...'), ObjectId('...')]}})

all的作用属性，必须是数组形式：db.products.find({tags: {$all: ['a', 'b']}})

⚠️注意：in和all可以利用索引；nin不能利用索引，只能使用集合扫描。这和BTree结构有关。

布尔操作

常见的有：$ne、$not、 $or、 $and、$exists。同样的，$ne不能利用索引。

对于not的使用，如果使用的操作符或者正则表达式不存在否定形式，才配合not。例如大于，就有小于等于操作符。

对与or的使用，or可以表示不同键的值的关系，而in只能表示一个键的值的关系。例如：db.products.find({ $or: [{ name: 'a' }, { name: 'b' }] })

子文档

对于内嵌对象匹配，用.运算符即可，正如前面的嵌套字段查询所述。

不推荐对于整个对象的查询，需要严格保证查询字段的顺序。

数组

如果数组中元素是基础对象，那么直接查询即可。mongo识别字段是数组类型，会自动查询字段是否位于其中。

例如：

> db.products.insert({tags: ['a', 'b']})
WriteResult({ "nInserted" : 1 })
> db.products.find({tags: 'a'})
{ "_id" : ObjectId("5d948025da0946c664997712"), "tags" : [ "a", "b" ] }

如果数组中元素是负责对象，可以借助.运算符进行访问：

> db.products.insert({address: [{name: 'home'}]})
WriteResult({ "nInserted" : 1 })
> db.products.find({"address.name": 'home'})
{ "_id" : ObjectId("5d948055da0946c664997713"), "address" : [ { "name" : "home" } ] }

同样地，你也可以指定针对特定顺序的数组元素：

> db.products.find({"address.0.name": 'home'})
{ "_id" : ObjectId("5d948055da0946c664997713"), "address" : [ { "name" : "home" } ] }

如果要同时将多个条件限制在同一个子文档上，下面是错误和正确的做法👇

错误：db.products.find({"address.name": 'home', 'address.state': 'NY'})

正确：db.products.find({address: {$elemMatch: {name: 'home', state: 'NY'} }})

Javascript查询

对于一些复杂查询，借助$where可以使用js表达式。还是以刚才的数据为例：

> db.products.find({$where: "function() {return this.address && this.address.length}" })
{ "_id" : ObjectId("5d948055da0946c664997713"), "address" : [ { "name" : "home" } ] }

在使用的时候，需要启动js解释器和上下文，因此开销大。在使用的时候，尽量带上其他标准查询操作，来缩小查询范围。

除此之外，还有注入攻击的可能。主要体现在驱动使用时候，如果后端传给db的字段是没做检验的，可能发生注入攻击。

正则表达式

主要体现在驱动使用上。

如果支持js的正则，那么可以: find({text: /best/i})

如果不支持，那么：find({text: {$regex: 'best', $options: 'i'}})

类型

通过$type，可以根据指定字段类型进行查询。不同的值，代表不同的类型。请见官方文档。

3. 查询选项

投影

1、使用选择字段进行返回，降低网络传输：find给定第二个参数。

2、返回保存在结果数组中的某个范围的值：$slice([start, limit])。例如：db.products.find({}, { comments: {$slice: 12}})

排序

能够对多个字段进行升序/降序排列。例如：db.comments.find().sort({rating: -1, votes: -1})

skip和limit

如果向skip传入很大的值，需要扫描同等数量的文档，浪费资源。

最好的方法是：通过查询条件，缩小要扫描的文档。

4. 聚合指令

在v2的版本中，mongo只能通过map、reduce等基础操作来支持聚合搜索。但在v3的版本后，mongo本身提供了丰富的聚合阶段(aggregation pipeline)和聚合运算符(aggregation operator)。

以$group和$sum为例，插入了a和b两种售卖货物以及价钱：

> db.sales.find()
{ "_id" : ObjectId("5d98ca8094ffea590a8a85c6"), "name" : "a", "coin" : 100 }
{ "_id" : ObjectId("5d98ca8694ffea590a8a85c7"), "name" : "a", "coin" : 200 }
{ "_id" : ObjectId("5d98ca9094ffea590a8a85c8"), "name" : "b", "coin" : 800 }

利用聚合操作，就可以便捷算出每种货物的总价：

> db.sales.aggregate([{ $group: { _id: "$name", total: { $sum: "$coin" } } }])
{ "_id" : "b", "total" : 800 }
{ "_id" : "a", "total" : 300 }

最后说一下，聚合的意义在于数据库提供给使用者此种功能以及相关优化。当然，使用者完全可以在逻辑层面查询到需要的集合，代码中进行计算。但对于服务的提供商，完整的服务是必不可少的。

更新、原子操作与删除

1. 文档更新入门

文档更新分为：替换更新和针对性更新。相较而言，针对性更新具有性能好、传输数据少和允许原子性更新的优点。

利用$set和$push可以针对文档和其中的数组字段进行针对性更新，下面是针对性更新的例子：

db.products.update(
   { _id: 100 },
   { $set:
      {
        quantity: 500
      }
   }
)

如果是替换更新，遇到增加计数器值之类的场景，在不使用乐观锁的情况下，无法保证原子性更新。因为需要先读出数据，然后再更新。此过程中，可能会有其他并发程序重写字段，从而造成脏数据。

以更新计数器的针对性更新为例：

db.products.update(
   { sku: "abc123" },
   { $inc: { quantity: -1 } }
)

2. 电子商务数据模型中的更新

冗余字段设计

对于一些常见的结果，比如：总数、平均值等。为了避免每次都重新聚合运算，可以在文档中保存额外的字段缓存相关数据。

之后的业务查询，仅仅需要查询一次即可。

$操作符

作用：确定数组中一个要被更新的元素的位置，而不用具体指定该元素在数组中的位置。

如下所示，不需要知道在grades数组中匹配的具体位置，用$指代即可：

> db.students.insert([
   { "_id" : 1, "grades" : [ 85, 80, 80 ] }
])
> db.students.updateOne(
   { _id: 1, grades: 80 },
   { $set: { "grades.$" : 82 } }
)

upsert操作符

作用：如果不存在，则会自动insert。

对于添加到商品到购物车等场景，非常适用。

3. 事务性工作流

这里主要使用的是findAndModify命令。这个命令，支持传入query参数，来做匹配筛选；支持update，来做针对性更新（原子更新）。最重要的特性是：可以根据new参数，来返回更新前后的文档数据状态。

借助可以返回更新文档数据的特性，可以mock一下mongo 4.0之前不支持的事务特性。思路是：

1. 获取最初的文档数据
2. 利用findAndModify进行针对性更新，更新字段中需要携带本次的更新标示（比如时间戳）。findAndModify操作符回返回更新后的字段。
3. 将更新后的字段中的更新标示与本地保存的标示做对比，如果不相同，说明有别的端更新了数据，数据发生了污染，为了保证事务原子性的特点，将文档恢复为第1步获得原始数据；如果相同，那么继续进行。

在MongoDB 4.0中，就是通过类似第二步的思路，提供了一个seesionID来实现了事务的，保证了事务特性。

4. 更多的更新命令

update：multi参数不给，默认只更新匹配到的第一个文档。

unset：删除文档中的指定键。

rename：重命名键。

addToSet：数组中不存在时候，才会加入。

pull：删除数组指定位置的元素。

5. 更新本质和优化

更新分为3种：

• 只改变单值，但BSON文档不变：$inc操作符
• 改变文档和结构，会重写整个文档：$push
• 改变文档造成空间不够，全部整体迁移到新空间：提前利用填充因子来减少影响

索引与查询优化

查询是非常高频的操作，大数据、高频读的场景下，查询的效率会是性能的瓶颈。设置合适的索引，可以充分利用数据结构（B数）和物理硬件的优势。

1. 索引理论

复合索引和分离索引

一个查询中，要是有多个字段，比如2个字段。分离索引是：查找每个索引的匹配集合，取得这些匹配集合的交集。复合索引是：逐步根据索引的顺序做查询。

比如有一个食谱，我们根据种类和菜名来做索引：

肉类
	- 辣子鸡：第12页
	- 鱼肉：第139页

⚠️：复合索引中的顺序是非常重要的，如果设置的索引不合适，那么就相当于现行扫描文档。抽象来说，如果有一个针对a-b的复合索引，那么仅针对a的索引就是冗余的。比如例子中，仅针对种类的索引就是冗余的，但是种类索引可以降低扫描时间（和Btree有关）。

索引效率

正确的索引，也不一定会有快速的查询：索引和数据集无法全部放入内存。

如果内存充足，所有使用的数据文件都会载入内存，对应内存发生变化时（比如写操作），结果会异步刷到磁盘上。

如果内存不足，就无法全部装入内存，出现页错误，操作系统会频繁访问磁盘读取需要数据。数据集过大时候，任何写操作都要去磁盘，会出现颠簸情况，性能下滑。

因此，应该首先保证索引都能装入内存，复合索引时，尽量减少键的数量。

B树

在Mongo Version2中，B树仅用于索引。集合存储是双向列表。

对于复合索引的底层结构，以下面为例，是根据姓、名和生日来建立的复合索引。如果要查询(Akroyd, Kirsten, 1978-11-02)的数据，那么会先按照顺序查找，根据第一个索引，找到了只有左侧两个复合要求；再在左侧两个集合中查找第二个索引；直到找到符合要求的数据为止。

参考链接：

• mysql复合索引的底层数据结构？
• B树和B+树的插入、删除

2. 索引实践

索引类型

根据索引设置时的属性的不同，常见的有：唯一性索引、稀疏索引和多键索引。

唯一性索引

说明：被设置为索引的字段，不能重复出现，否则会报错。

创建方式：db.col.createIndex({name: 1}, {unique: true})。

⚠️：适用于插入数据前先创建索引的情况

稀疏索引

说明：索引默认是密集型的，是指为集合中每个文档都建立索引。例如前面的例子，即使文档没有name字段，那么查询索引时候，没有name字段的文档匹配null即可。

创建方式：db.col.createIndex({name: 1}, {sparse: true})

优点：

• 占用较少的空间
• 适用于不是为所有文档增加唯一性索引
• 适用于历史遗留的文档，无法保证字段存在

多键索引

说明：在数组字段上建立索引。mongo中，多键索引是默认开启的。

原理：数组中每个元素，都指向文档。

3. 查询管理

构建索引

分为为索引值排序、排序值插入索引中，并且会占用写锁，其他程序无法读写数据库。

在迁移历史数据和索引的时候，先迁移数据再构建集合，比线构建集合再迁移数据 的做法更优秀。

后台索引

设置background为true。虽然仍会占用写锁，但会停下来，让其他操作读写操作访问数据库。适合在流量最低的时候，完成索引构建。

备份

mongodump和mongorestore只能保存集合和索引说明。

如果想备份索引，必须直接备份mongo的数据文件。

压紧删除

对于删除大量数据，可能造成索引碎片化。解决方法是重建索引或者执行db.col.reIndex().

应该在子节点执行此命令，再进行节点替换，因为它会占用写锁，造成无法读写操作。

4. 查询优化

两个比较重要的原理，一个是覆盖索引，一个复合键的顺序。

覆盖索引是指：查询的关键字和索引完全一致。

复合键的顺序遵循：搜索成本由低到高的原则排列。

复制

1. 复制概述

定义：在多台服务器上分布并管理数据库服务器。有2种复制风格：主从复制和副本集（生产环境推荐）。

复制的作用是冗余，因为复制是异步的，因此任何节点的延迟都不会影响主节点性能。

副本不是备份替代品：备份是某事刻的快照；副本是最新的。

作用：故障转移、均衡读负载。

2. 副本集

最小的副本集由3个节点组成：主节点、从节点、仲裁节点。主从节点是一等的；仲裁节点不复制数据，中立观察。

副本集基于两个机制：oplog和心跳。oplog是记录数据的变更；心跳是检测主节点是否有效。

在副本集中，「提交」是指：数据变动都被复制到从节点。否则就是未提交。

3. 主从复制

不推荐，副本集才是正道，原因如下：

• 故障转移手动操作（没有仲裁节点）
• oplog近存在主节点，恢复苦难

4. 写关注和读拓展

写关注：设置writeConcern参数，通过属性设置来指定wtimeout、w。

读拓展：单台服务器无法承受程序的读负载，将查询分配到副本上。

分片

这是一个有意思的概念，尤其是「复制」对比的时候。复制是指数据都保存在单机上，向其他副本迁移，理论上所有主从节点数据是一致的；分片是指由于空间有限，单机承受不了数据量，同一个数据库分布在不同的数据库上，这些数据库形成了一个宏观意义上的节点。

值得称赞的是，mongo提供分片机制，无需变动代码。

最后

作为中前台开发，开发中几乎接触不到复制、分片和部署的逻辑。专业事还得交给专业的人来做，毕竟每个人精力有限，不能面面俱到。但了解复制和分片的原理，有助于加深对mongo的理解，也可能会在以后做架构的时候发挥作用。