索引优化

这一课你将能做到

1. 创建单字段、复合、多键、文本、TTL、唯一索引，并说明各自适用场景
2. 用 explain("executionStats") 读懂执行计划，判断查询是否走索引、是否高效
3. 用 ESR 法则（Equality → Sort → Range）设计复合索引，识别覆盖查询

为什么要学

没索引的查询是全表扫描（COLLSCAN）：100 万条提交记录查一个用户，MongoDB 要逐条读 100 万条。有索引后，B+ 树几次磁盘跳转就定位，毫秒级返回。线上接口从 5 秒降到 5 毫秒，往往只是差一条 createIndex。

但索引不是免费的：每个索引都让写入变慢（要维护树）、占内存和磁盘。这一课教你「给对的查询建对的索引」，而不是见查询就建。

先建立图像

复合索引 { userId: 1, submittedAt: -1 } 的 B+ 树（逻辑视图）：

userId=1024 ── submittedAt=10-04
             ── submittedAt=10-02
             ── submittedAt=10-01
userId=2048 ── submittedAt=10-05
             ── submittedAt=10-03

索引条目按 (userId 升序, submittedAt 降序) 整体有序。
能服务的查询：
  ✅ {userId: 1024}                          等值
  ✅ {userId: 1024} sort {submittedAt: -1}   等值+排序（索引顺序即结果顺序）
  ❌ {submittedAt: ...} 单独查                跳过了前缀 userId，用不上

这就是最左前缀：复合索引必须从第一个字段开始连续使用。

explain 关键指标：

stage: COLLSCAN   ← 全表扫描，危险信号
stage: IXSCAN     ← 走索引，好
totalDocsExamined: 扫描的文档数   ← 越小越好
nReturned:         返回数
理想：docsExamined ≈ nReturned（扫的都是要的）
糟糕：docsExamined = 1000000, nReturned = 3

跟着做

准备数据（量大一点才有感觉）：

use codeforge
db.submissions.drop()
// 插入 5 万条模拟提交
const bulk = []
for (let i = 0; i < 50000; i++) {
  bulk.push({
    userId: 1000 + (i % 500),
    lessonSlug: "mdbrm-" + (i % 12),
    status: i % 3 === 0 ? "failed" : "accepted",
    score: i % 101,
    submittedAt: new Date(Date.now() - i * 60000)
  })
}
db.submissions.insertMany(bulk)

步骤 1：看没索引时的惨状

db.submissions.find({ userId: 1024 }).explain("executionStats")

看 totalDocsExamined: 50000、stage: "COLLSCAN"。

步骤 2：单字段索引

db.submissions.createIndex({ userId: 1 })
db.submissions.find({ userId: 1024 }).explain("executionStats")

stage 变成 IXSCAN，docsExamined 降到 100 左右。

步骤 3：复合索引与 ESR 法则

目标查询：「某用户的提交，按时间倒序，且分数大于 60」。

db.submissions.createIndex({ userId: 1, submittedAt: -1, score: 1 })

ESR 法则：。这里 userId 是等值、submittedAt 是排序、score 是范围过滤——顺序正好。