面试题：MongoDB全文搜索索引配置优化

选择合适的字段：
- 思路：仅对真正需要搜索的关键信息字段建立索引，避免对无关紧要的字段创建索引，减少索引构建和维护成本，提升搜索性能。
- 配置项：在索引创建配置文件（如 Elasticsearch 的 mapping 文件）中，明确指定需要建立索引的字段。例如，对于一个新闻文档索引，仅对标题、正文等重要字段设置 index: true，对一些辅助信息字段（如文章编号等）可不设置索引。
字段类型匹配：
- 思路：确保索引字段类型与数据实际类型相符，不同的数据类型在索引构建和搜索算法上有所差异，正确的类型匹配能提高搜索效率。
- 配置项：在索引配置中指定正确的字段类型。如在 Elasticsearch 中，对于文本类型字段使用 text 类型，并可设置 analyzer 进行合适的文本分析；对于数值类型字段，使用 long、integer、float 等相应数值类型。

选择合适的分词器：
- 思路：根据文档语言和内容特点，选择合适的分词器，将文本正确切分成有意义的词汇单元，以提高搜索的召回率和准确率。
- 配置项：在索引配置中设置分词器。例如在 Elasticsearch 中，对于中文文本可选择 ik_max_word 等中文分词器；对于英文文本可使用默认的 standard 分词器或更适合特定场景的 snowball 分词器等。在 mapping 中通过 analyzer 字段指定分词器，如 "title": {"type": "text", "analyzer": "ik_max_word"}。
自定义分词规则：
- 思路：如果默认分词器无法满足业务需求，可自定义分词规则，对特定词汇、短语等进行特殊处理。
- 配置项：在 Elasticsearch 中，可以通过创建自定义分词器来实现。例如定义一个 char_filter 用于处理特殊字符，一个 tokenizer 用于切分文本，以及 filter 用于对切分后的词汇进行进一步处理，然后在索引 mapping 中使用自定义的分词器。

索引分片与副本：
- 思路：合理调整索引的分片数和副本数。分片数决定了索引数据在集群节点间的分布，适当增加分片可提高索引的并行处理能力，但过多分片会增加管理开销；副本数用于数据冗余和提高读取性能，但过多副本会占用更多存储资源。
- 配置项：在 Elasticsearch 中创建索引时可指定分片数和副本数。例如，PUT /my_index?pretty，请求体中设置 "settings": {"number_of_shards": 3, "number_of_replicas": 1}，可根据集群规模、数据量和读写负载来动态调整这些值。
索引合并策略：
- 思路：调整索引合并策略，索引在写入过程中会产生多个小的段文件，合并这些段文件可以减少文件数量，提高搜索性能，但合并操作本身也会消耗资源，需平衡合并频率和性能。
- 配置项：在 Elasticsearch 中，可通过修改索引配置文件中的 index.merge.policy 相关参数来调整合并策略。如 tiered_merge_policy 下的 max_merge_at_once（一次最大合并段数）、max_merge_at_once_explicit（手动合并时一次最大合并段数）等参数。

字段数据缓存：
- 思路：合理利用字段数据缓存，该缓存存储已加载到内存中的字段数据，对于频繁查询的字段，缓存可显著提高查询速度。
- 配置项：在 Elasticsearch 中，默认情况下字段数据缓存是启用的，但可通过调整 indices.fielddata.cache.size 参数来控制缓存占用堆内存的比例。例如设置为 indices.fielddata.cache.size: 20%，表示字段数据缓存最多使用堆内存的 20%。
过滤器缓存：
- 思路：利用过滤器缓存，缓存经常使用的过滤器结果，减少重复计算，提高查询性能。
- 配置项：在 Elasticsearch 中，过滤器缓存默认启用，可通过调整 indices.cache.filter.size 参数来控制其占用堆内存的比例。例如设置为 indices.cache.filter.size: 10%，即过滤器缓存最多使用堆内存的 10%。

星途面试题库