小李是这家公司的后端负责人，突然有一天下午，收到大量客服反馈用户无法使用我们的APP，很多操作与加载都是网络等待超时。

收到信息后，小李立马排查问题原因，不过多一会，定位到数据库出现大量慢查询导致服务器超负荷负载状态，CPU居高不下，那么为什么会出现这个情况呢，此时小李很慌，经过查询资料，开始往慢查询方向探究，果不其然，由于业务数据增长迅猛，对应的数据表没有相应查询的索引数据，此刻小李嘴角上扬，面露微笑，信心百倍上手的给数据库相关数据表加上了索引字段。但是情况并没有好转，线上依旧没有恢复，经验使然，最后只能采取降级的方案(关闭此表的相关查询业务)临时先恢复线上正常。

但是事情并没有结束，问题没有根本性的解决，公司和自己依旧非常在意这个问题的解决，晚上吃饭的时候，小李突然想起了自己有认识一个行业大佬(老白)。把问题跟老白说了一遍，老白并没过多久，很快就专业的告诉了小白哪些操作存在问题，怎么样可以正确的解决这个问题，加索引的时候首先要学会做查询分析，然后了解ESR最佳实践规则(下面会做说明)，小李没有因为自己的不足感到失落，反而是因为自己的不足更是充满了求知欲。

数据库索引的应用有哪些优秀的姿势呢？

MongoDB 索引类型

单键索引

db.user.createIndex({createdAt: 1}) 

createdAt创建了单字段索引，可以快速检索createdAt字段的各种查询请求，比较常见
{createdAt: 1} 升序索引，也可以通过{createdAt: -1}来降序索引，对于单字段索引，
升序/降序效果是一样的。

组合索引

db.user.createIndex({age: 1, createdAt: 1}) 

可以对多个字段联合创建索引，先按第一个字段排序，第一个字段相同的文档按第二个字段排序，依次类推，所以在做查询的时候排序与索引的应用也是非常重要。

实际场景，使用最多的也是这类索引，在MongoDB中是满足所以能匹配符合索引前缀的查询，例如已经存在db.user.createIndex({age: 1, createdAt: 1}) ，
我们就不需要单独为db.user.createIndex({age: 1}) 建立索引，因为单独使用age做查询条件的时候，也是可以命中db.user.createIndex({age: 1, createdAt: 1}) ，但是使用createdAt单独作为查询条件的时候是不能匹配db.user.createIndex({age: 1, createdAt: 1})

多值索引

当索引的字段为数组时，创建出的索引称为多key索引，多key索引会为数组的每个元素建立一条索引

// 用户的社交登录信息，
schema = {
    …
    snsPlatforms:[{
        platform:String, // 登录平台
        openId:String, // 登录唯一标识符
    }]
}
// 这也是一个列转行文档设计，后面会说
db.user.createIndex({snsPlatforms.openId:1}) 

TTL 索引

可以针对某个时间字段，指定文档的过期时间(用于仅在一段时间有效的数据存储，文档达到指定时间就会被删除，这样就可以完成自动删除数据)
这个删除操作是安全的，数据会选择在应用的低峰期执行，所以不会因为删除大量文件造成高额IO严重影响数据性能。

部分索引

3.2版本才支持该特性，给符合条件的数据文档建立索引，意在节约索引存储空间与写入成本

db.user.createIndex({sns.qq.openId:1})
/**
 * 给qq登录openid加索引，系统其实只有很少一部分用到qq登录 ，然后才会存在这个数据字段，这个时
 * 候就没有必要给所有文档加上这个索引，仅需要满足条件才加索引
 */
db.user.createIndex({sns.qq.openId:1} ,{partialFilterExpression:{$exists:1}})

稀疏索引

稀疏索引仅包含具有索引字段的文档条目，即使索引字段包含空值也是如此。
索引会跳过缺少索引字段的所有文档。

db.user.createIndex({sns.qq.openId:1} ,{sparse:true})

注：3.2版本开始，提供了部分索引，可以当做稀疏索引的超集，官方推荐优先使用部分索引而不是稀疏索引。

ESR索引规则

索引字段顺序： equal(精准匹配) > sort (排序条件)> range (范围查询)

精确(Equal)匹配的字段放最前面,排序(Sort)条件放中间,范围(Range)匹配的字段放最后面,也适用于ES,ER。

实际例子：获取成绩表中，高2班中数学分数大于120的学生，按照分数从大到小排序
不难看出，班级和学科(数学)可以是精准匹配，分数是一个范围查询，同时也是排序条件
那么按照ESR规则我们可以这样建立索引
{"班级":1,"学科":1,"分数":1}

我们怎么分析这个索引的命中与有效情况呢？

db.collection.explain()函数可以输出文档查找执行计划，可以帮助我们做更正确的选择。
分析函数返回的数据很多，但我们主要可以关注这个字段

executionStats 执行统计

{
    "queryPlanner": {
        "plannerVersion": 1,
        "namespace": "test.user",
        "indexFilterSet": false,
        "parsedQuery": {
            "age": {
                "$eq": 13
            }
        },
        "winningPlan": { ... },
        "rejectedPlans": []
    },
    "executionStats": {
        "executionSuccess": true,
        "nReturned": 100,
        "executionTimeMillis": 137,
        "totalKeysExamined": 48918,
        "totalDocsExamined": 48918,
        "allPlansExecution": []
    },
    "ok": 1,
}

nReturned 实际返回数据行数

executionTimeMillis 命令执行总时间,单位毫秒

totalKeysExamined 表示MongoDB 扫描了N个索引数据。 检查的键数与返回的文档数相匹配，这意味着mongod只需检查索引键即可返回结果。mongod不必扫描所有文档，只有N个匹配的文档被拉入内存。 这个查询结果是非常高效的。

totalDocsExamined 文档扫描数

这几个字段的值越小说明效率越好，最佳状态是
nReturned = totalKeysExamined = totalDocsExamined
如果相差很大，说明还有很大优化空间，当具体业务还要酌情分析。
查询优化器针对该query所返回的最优执行计划的详细内容(queryPlanne.winningPlan)

stage

COLLSCAN：全表扫描,这个情况是最糟糕的
IXSCAN：索引扫描
FETCH：根据索引去检索指定document
SHARD_MERGE：将各个分片返回数据进行merge
SORT：表明在内存中进行了排序
LIMIT：使用limit限制返回数
SKIP：使用skip进行跳过
IDHACK：针对_id进行查询
SHARDING_FILTER：通过mongos对分片数据进行查询
COUNT：利用db.coll.explain().count()之类进行count运算
COUNTSCAN： count不使用Index进行count时的stage返回
COUNT_SCAN： count使用了Index进行count时的stage返回
SUBPLA：未使用到索引的$or查询的stage返回
TEXT：使用全文索引进行查询时候的stage返回
PROJECTION：限定返回字段时候stage的返回

我们不希望看到的(出现以下情况，就要注意了，问题可能就出现了)

COLLSCAN(全表扫描)
SORT但是没有相关的索引
超大的SKIP
SUBPLA在使用$or的时候没有命中索引
COUNTSCAN 执行count没有命中索引

然后是我们看看一条普通查询实际执行顺序

db.user.find({age:13}).skip(100).limit(100).sort({createdAt:-1})

图中可以看出，首先是IXSCAN索引扫描，最后是SKIP跳过数据进行过滤。

在executionStats每一个项都有nReturned 与 executionTimeMillisEstimate，这样我们可以由内向外查看整个查询执行情况，在哪一步出现执行慢的问题。

关于列转行文档设计模式

首先数据库索引并不是越多越好，在MongoDB单文档索引上限，集合中索引不能超过64个,一些知名大厂推荐不超过10个。

而在一个主表中，由于冗余文档设计，就会存在非常多信息需要增加索引，我们还是以社交登录为例子

常规设计

schema = {
…
        qq:{
            openId:String
        },
        wxapp:{
            openId:String,
        },
        weibo:{
            openId:String,
        }
…
}

// 每次增加新的登录类型，需要修改文档schema和增加索引
db.user.createIndex({qq.openId:1}) 
db.user.createIndex({wxapp.openId:1}) 
db.user.createIndex({weibo.openId:1}) 

列转行设计

schema = {
…
 snsPlatforms:[{
    platform:String, // 登录平台
    openId:String, // 登录唯一标识符
 }]
}
// 此时无论是新增登录平台还是删除，都不需要变更索引设计,一个索引解决所有同类型问题
db.user.createIndex({snsPlatforms.openId:1,snsPlatforms.platform:1})

提问：为什么openId要放在plaform前面呢？

这个小故事讲述了小李在遇到自身知识不能解决的问题，然后事情的处理思路与过程。每个人都有自己能力所不及的地方，那么这种情况要优先解决问题，或者降低事故的影响范围。