跳到主要内容
锦木信息 JINMU INFO
MongoDB 博客
MongoDB · 技术文章

读懂 explain():
一条查询到底干了什么

查询慢,但不知道慢在哪?explain() 会告诉你数据库打算怎么执行、实际又干了多少活。这篇文章教你看懂输出里最关键的几个字段:阶段树、扫描了多少、返回了多少,以及哪些信号该立刻警觉。

没有合适的索引COLLSCAN
COLLSCAN
逐个扫描集合里的每一篇文档
totalDocsExamined1,000,000
nReturned12

扫描了一百万篇,只为返回 12 篇。

命中索引IXSCAN → FETCH
FETCH
IXSCAN
totalKeysExamined12
totalDocsExamined12

扫描 12 条索引项、读取 12 篇文档,正好是需要的数量。

示意数据:集合规模和数值仅用于说明,不是实测结果

01 · 为什么要看执行计划

优化查询之前,先弄清它现在在做什么

加索引不是猜谜。explain() 返回的是查询优化器选出的执行方案,以及(在对应模式下)这个方案实际执行的统计。它回答三个问题:

问题 01

用了哪个索引?

有没有命中预期的索引,还是退化成了全集合扫描。

问题 02

干了多少活?

扫描了多少索引项、读取了多少文档,和最终返回的数量差多远。

问题 03

有没有多余的步骤?

比如本可以由索引提供顺序,却多出了一次内存排序。

02 · 三种详细程度

queryPlanner、executionStats、allPlansExecution

调用 explain() 时可以传入详细程度(verbosity),不传则默认是 queryPlanner。

模式返回什么什么时候用
queryPlanner 优化器选出的 winningPlan 和被淘汰的 rejectedPlans 只想知道会用哪个索引、哪些阶段,不关心实际代价
executionStats 在上面的基础上,增加获胜方案的实际执行统计:nReturned、totalKeysExamined、totalDocsExamined、executionTimeMillis 排查慢查询最常用的一档
allPlansExecution 再加上候选方案在择优阶段的部分执行数据 想知道优化器为什么没选另一个索引
三种写法
db.orders.find({ userId: 1001, status: "paid" })
  .explain()                       // queryPlanner

db.orders.find({ userId: 1001, status: "paid" })
  .explain("executionStats")

db.orders.find({ userId: 1001, status: "paid" })
  .explain("allPlansExecution")
输出的骨架

顶层字段

通常有 queryPlanner、executionStats(取决于模式)和 serverInfo。聚合的 explain 则用顶层的 stages 数组表示各阶段。

注意

explain 不走计划缓存

explain 会忽略计划缓存,也不会让获胜方案被缓存。所以 executionTimeMillis 未必反映线上稳定状态下的耗时,建议结合 nReturned 与扫描量来判断。

03 · 阶段树

winningPlan 是一棵由下往上执行的树

每个阶段把结果交给它的上一层。单个子阶段用 inputStage,多个子阶段用 inputStages。读的时候从最里层、最深的阶段开始看。

阶段含义看什么
COLLSCAN 全集合扫描,没有合适的索引可用 大集合上通常是首要优化对象
IXSCAN 扫描索引 keyPattern(用了哪个索引)、direction、indexBounds(扫描范围)
FETCH 按索引找到的位置去读取完整文档 如果 IXSCAN 不在任何 FETCH 之下,就是覆盖查询
SORT 内存中排序 没有 SORT 阶段,说明排序顺序由索引提供
SHARD_MERGE 分片集群中合并各分片的结果 结合各分片的子计划一起看
聚合的细节

聚合管道的 explain 里,stages 数组的条目可能比管道里的阶段少,因为有些阶段会被并入 $cursor。可以对照输出里的 command.pipeline 来确认。不同的服务端版本和执行引擎,阶段名称与层级也可能不完全一致,以你所用版本的文档为准。

04 · 关键比值

三个数字,判断查询是否"高效"

在 executionStats 里,下面三个字段放在一起看,最能说明问题。

nReturned

返回了多少文档

真正交给客户端的结果数量,是"有用功"的基准。

totalKeysExamined

扫描了多少索引项

索引扫描阶段看过的索引条目总数。

totalDocsExamined

检查了多少文档

被读取检查的文档总数,可以大于 nReturned。

经验法则

理想情况下,三个数字接近:扫描多少、读取多少,就返回多少。totalKeysExamined 或 totalDocsExamined 远大于 nReturned,说明大量工作被浪费在了最终被丢弃的数据上,应当考虑调整索引,让过滤条件更多地落在索引范围内。

05 · 前后对比

加一个复合索引,执行计划怎么变

下面是一个简化的例子。输出已经精简为关键字段,数值为示意,实际结果因数据和版本而异。

① 加索引之前
db.orders.find({ userId: 1001, status: "paid" })
  .explain("executionStats")

// 精简后的输出(示意)
{
  queryPlanner: {
    winningPlan: { stage: "COLLSCAN" }
  },
  executionStats: {
    nReturned: 12,
    totalKeysExamined: 0,
    totalDocsExamined: 1000000
  }
}
② 创建索引之后
db.orders.createIndex({ userId: 1, status: 1 })

db.orders.find({ userId: 1001, status: "paid" })
  .explain("executionStats")

// 精简后的输出(示意)
{
  queryPlanner: {
    winningPlan: {
      stage: "FETCH",
      inputStage: {
        stage: "IXSCAN",
        keyPattern: { userId: 1, status: 1 }
      }
    }
  },
  executionStats: {
    nReturned: 12,
    totalKeysExamined: 12,
    totalDocsExamined: 12
  }
}
③ 进一步:覆盖查询
// 只返回索引里已有的字段,并排除 _id
db.orders.find(
  { userId: 1001, status: "paid" },
  { _id: 0, userId: 1, status: 1 }
).explain("executionStats")

// 期望:IXSCAN 不再位于 FETCH 之下,
// 且 totalDocsExamined 为 0(示意)
覆盖查询

查询所需的字段都在索引里

此时无需读取文档本身,IXSCAN 不是任何 FETCH 的下层阶段,totalDocsExamined 通常为 0。代价是索引要包含这些字段,投影也必须只取索引里有的字段。

06 · 危险信号

看到这些,先停下来看看

下面是读 explain 时最值得警觉的几种情况,以及对应的思路。

大集合上的 COLLSCAN

说明没有合适的索引。看看查询条件,补一个覆盖过滤字段的索引。

出现 SORT 阶段

排序在内存里完成,数据量大时代价高。可以调整索引的字段顺序,让索引直接提供排序。

totalDocsExamined 远大于 nReturned

读了很多最后被丢弃的文档。让更多过滤条件进入索引,缩小扫描范围。

totalKeysExamined 远大于 nReturned

索引范围太宽,后续才被过滤掉。检查索引字段顺序是否与查询的等值、范围条件匹配。

IXSCAN 且三个数字接近

这是理想状态:扫描多少,就返回多少。

没有 SORT,顺序来自索引

排序零额外开销,是排序类查询的目标形态。

WAP 提示

在线上,第一步往往不是"手动 explain 哪条",而是"先找到该 explain 哪条"。WAP 的诊断分析能力可以帮助你定位慢查询候选,之后再用本文的方法逐条看执行计划,确认是缺索引、索引顺序不合适,还是别的原因。

最后一句

先看计划,
再动索引

三个数字、几个阶段名,就足以回答大多数慢查询的疑问。养成"先 explain,再优化"的习惯,少走很多弯路。

聊聊您的数据难题

告诉我们业务现状,资深技术顾问一对一给出选型与实施建议,咨询免费。