索引机制：NoSQL数据库的核心支撑

单值索引与复合索引的适用场景

NoSQL数据库的索引设计需紧密结合数据模型特性。以MongoDB为例，单值索引（Single Field Index）适用于对单个字段的高频查询，如用户表的username字段索引可加速登录验证。复合索引（Compound Index）则通过多字段组合优化复杂查询，例如电商订单表的{customerId:1, orderDate:-1}索引，可同时支持按客户ID查询和按日期倒序排序。

Cassandra的二级索引（Secondary Index）采用分布式设计，每个节点仅维护本地数据的索引，适合低基数字段查询。但高基数字段（如UUID）的二级索引会导致全集群扫描，此时应优先使用物化视图（Materialized View）或自定义索引表。

地理空间索引的工程实现

MongoDB的2dsphere索引支持GeoJSON格式的地理空间查询，通过构建R树（R-Tree）结构实现高效的空间范围检索。例如创建餐厅集合的地理位置索引：

db.restaurants.createIndex({ location: "2dsphere" })

随后可执行$near查询查找5公里内的餐厅：

db.restaurants.find({
  location: {
    $near: {
      $geometry: { type: "Point", coordinates: [116.4, 39.9] },
      $maxDistance: 5000
    }
  }
})

Redis的Geo模块则通过ZSET实现地理空间功能，其GEOADD和GEORADIUS命令可满足实时定位需求，但缺乏多边形查询能力。

文本索引的全文检索优化

Elasticsearch的倒排索引（Inverted Index）将文本拆分为词项（Term），建立词项到文档ID的映射。通过分词器（Analyzer）处理中文时，需配置IK分词器等中文分词方案。MongoDB的文本索引支持$text操作符，可实现多字段联合全文检索：

db.articles.createIndex({ title: "text", content: "text" })
db.articles.find({ $text: { $search: "数据库 优化" } })

但文本索引会显著增加存储开销，需权衡查询频率与资源消耗。

查询优化：从执行计划到模式设计

执行计划分析与性能调优

MongoDB的explain()方法可输出查询执行计划，关键指标包括：

• winningPlan.stage：查询阶段（COLLSCAN全表扫描/IXSCAN索引扫描）
• nReturned：返回文档数
• totalDocsExamined：扫描文档数
• executionTimeMillis：执行耗时

例如分析慢查询：

db.orders.find({ amount: { $gt: 1000 } }).explain("executionStats")

若发现COLLSCAN阶段，需检查是否遗漏索引或查询条件不够选择性。

查询模式与数据模型设计

Cassandra的查询模式驱动设计（Query-Driven Design）原则要求先定义查询需求，再设计数据表。例如需要按设备ID和时间范围查询传感器数据，应创建如下表：

CREATE TABLE sensor_data (
  device_id text,
  timestamp timestamp,
  value double,
  PRIMARY KEY ((device_id), timestamp)
) WITH CLUSTERING ORDER BY (timestamp DESC);

这种设计支持按设备ID查询最新数据，但无法高效执行跨设备的时间范围查询。

批量操作与并发控制

Redis的管道（Pipeline）技术可批量发送命令，减少网络往返。例如批量设置1000个键值：

pipe = r.pipeline()
for i in range(1000):
    pipe.set(f"key:{i}", i)
pipe.execute()

MongoDB的批量写入（Bulk Write）支持插入、更新、删除的组合操作，需注意错误处理策略（继续执行/停止）。

性能监控：从指标采集到调优实践

监控指标体系构建

关键监控指标包括：

• 查询延迟（P99/P95）
• 索引命中率
• 缓存命中率
• 连接池利用率
• 磁盘I/O等待时间

Prometheus+Grafana方案可实现多维度可视化监控。例如MongoDB的监控仪表盘需包含：

• mongodb_ss_metrics_queries_total：查询总数
• mongodb_ss_metrics_index_hits_total：索引命中数
• mongodb_ss_metrics_document_returns_total：文档返回数

容量规划与水平扩展

Cassandra的分片策略直接影响查询性能。SimpleStrategy适用于单数据中心，NetworkTopologyStrategy支持多数据中心部署。副本因子（Replication Factor）设置需考虑数据可用性与写入延迟的平衡。

MongoDB的分片集群（Sharded Cluster）通过分片键（Shard Key）均匀分布数据。选择高基数字段（如用户ID）作为分片键可避免热点问题，但范围查询可能跨分片执行。

案例分析：电商系统优化实践

某电商平台的商品查询系统面临以下问题：

1. 组合条件查询（品类+价格区间+销量）响应慢
2. 促销期间写入负载激增导致查询超时
3. 跨分片查询性能下降

优化方案：

1. 创建复合索引{category:1, price:1, sales:1}，并使用索引覆盖查询
2. 引入读写分离架构，将促销写入导向次要副本集
3. 对热销商品采用缓存预热策略，使用Redis存储TOP1000商品信息
4. 调整分片键为{category:1, itemId:1}，减少跨分片查询

实施后，平均查询延迟从2.3s降至120ms，QPS提升3倍。

最佳实践总结

1. 索引设计三原则：选择性优先、查询驱动、适度冗余
2. 查询优化五步法：分析执行计划→识别瓶颈→调整索引→优化查询→验证效果
3. 容量规划四要素：数据增长预测、查询模式分析、硬件选型、扩展策略
4. 监控体系构建：全链路监控、异常检测、自动告警、容量预警

NoSQL数据库的索引与查询优化是持续迭代的过程，需结合业务特点、数据特征和硬件资源进行综合调优。通过建立科学的监控体系、遵循数据访问模式设计原则、合理应用索引技术，可显著提升系统性能和用户体验。