跳到主要内容
锦木信息 JINMU INFO
MongoDB 博客
MongoDB · 数据建模

MongoDB 时序集合
你的监控数据不该活在普通集合里

每秒一条的监控指标、传感器读数、行情 tick——如果还在用普通集合一条一个文档地存,你已经在花冤枉的存储和查询成本。MongoDB 5.0 引入的时序集合(Time Series Collections),专门为这类数据而生。

01 · 问题所在

一条数据一个文档,代价比想象的大

时序数据有一个共同特点:海量、结构高度重复、几乎不会被单独更新。如果用普通集合存储,每一条测量值都是一个独立文档——字段名反复重复、索引条目与数据点一比一增长、BSON 开销逐条累加。数据量上去之后,存储成本会比数据本身膨胀得更快。

字段名在每一个文档里都重复存储一遍,压缩率很低
按时间范围查询,需要扫描大量分散的小文档
索引条目数量与原始数据点数量一比一增长,索引本身也在膨胀
02 · 桶的原理

把很多个点,装进一个桶

时序集合在写入时,会自动把同一时间窗口、同一组元数据的多条测量值,合并存储进一个内部的 bucket(桶)文档里——最多可容纳约 1000 个数据点,并做列式压缩,大幅降低存储体积。查询的时候,MongoDB 会自动把桶"展开",让你依然看到熟悉的、逐条的文档结构——整个过程对使用者完全透明。

原始测量点
每秒一条,各自独立
自动分桶
→
Bucket 文档
≈1000 点 / 桶 · 列式压缩
查询时
→
{
  time: ...,
  tag: "cpu",
  value: 42.3
}
看起来还是普通文档
查询接口完全透明
timeField

必须指定的时间戳字段,决定数据点在时间轴上的位置,也是分桶的核心依据。

metaField

用于分组的元数据字段——比如设备 ID、主机名、指标名,相同 meta 的数据点更容易被分进同一个桶。

granularity

seconds / minutes / hours,决定单个桶覆盖的时间跨度,应该和实际写入频率匹配。

03 · 快速上手

建一个时序集合,就这么简单

创建时序集合只需要在 createCollection 时多传一个 timeseries 选项,其余的读写方式和普通集合几乎没有区别。

// 1. 创建时序集合
db.createCollection("metrics", {
  timeseries: {
    timeField: "timestamp",
    metaField: "metadata",
    granularity: "seconds"
  }
})
// 2. 写入方式和普通集合一样
db.metrics.insertOne({
  timestamp: ISODate("2026-09-10T08:00:00Z"),
  metadata: { host: "db-node-02", metric: "cpu" },
  value: 42.3
})
// 3. 查询方式也和普通集合一样
db.metrics.find({ "metadata.host": "db-node-02" })
  .sort({ timestamp: -1 })
04 · 什么时候该用

典型场景:只追加、少修改的高频数据

时序集合并不是万能的存储方案,但只要数据符合"高频写入、按时间戳组织、极少对单条记录做随机更新"这个特征,它几乎都是更优解。

IoT 传感器读数

成千上万个设备,每秒上报温度、湿度、位置等数据。

应用与基础设施监控指标

CPU、内存、延迟、QPS 这类逐秒采集的运维指标。

金融行情 tick 数据

高频更新的报价与成交记录,对写入吞吐和范围查询都要求很高。

日志与埋点事件

按时间顺序产生、几乎不会被回头修改的用户行为或系统事件记录。

WAP 提示

这也是为什么 WAP 自己存储集群监控指标时,选择的正是时序集合——每天产生的数百万个指标点,如果不用桶式压缩存储,存储成本会是现在的好几倍。

05 · 几个容易踩的坑

用之前,先确认这几件事

granularity 设置和实际写入频率不匹配→按采集间隔选择 seconds / minutes / hours
把频繁随机更新的数据也塞进时序集合→时序集合更适合"只追加、少修改"的数据
从未关注不同版本对时序特性的支持差异→升级前确认目标版本的索引与查询能力
最后一句

选对存储方式
是性价比最高的架构决策之一

时序集合解决的是数据建模层面的问题;至于集群本身跑得稳不稳、需不需要人半夜爬起来处理告警,是 Whaleal Platform 负责的另一件事。

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。