面试题：MongoDB复杂条件下多文档更新及性能优化

Question

假设有一个大型电商数据库，其中'orders'集合存储订单信息，每个订单文档包含'customer_id'、'order_date'、'products'（数组，包含购买的商品信息）、'total_amount'等字段。现在需要对满足以下条件的订单进行更新：订单日期在过去一个月内，且购买的商品中有至少一个商品的价格大于100元，将这些订单的'total_amount'字段增加10%，同时在订单文档中添加一个新字段'discount_applied'并设置为'true'。请给出实现此更新的高效MongoDB操作代码，并分析在大数据量下如何优化性能。

Answer 1

MongoDB操作代码

// 获取当前日期
const currentDate = new Date();
// 计算一个月前的日期
const oneMonthAgo = new Date(currentDate.getTime() - 30 * 24 * 60 * 60 * 1000);

db.orders.updateMany(
    {
        order_date: { $gte: oneMonthAgo },
        "products.price": { $gt: 100 }
    },
    [
        {
            $set: {
                total_amount: { $multiply: ["$total_amount", 1.1] },
                discount_applied: true
            }
        }
    ]
);

大数据量下性能优化分析

1. 索引优化：
   • 为order_date字段创建升序索引，可加快对订单日期范围的筛选。

   db.orders.createIndex({order_date: 1});
   

   • 为products.price字段创建复合索引，由于查询条件涉及到数组内元素的字段，复合索引可以提高查询效率。例如，如果经常结合customer_id一起查询，可以创建复合索引：

   db.orders.createIndex({customer_id: 1, "products.price": 1});
   

2. 批量处理：在大数据量场景下，不要一次性处理全部数据，可以按批次进行更新操作。例如，每次处理1000条数据，通过设置batchSize来控制。
3. 使用聚合管道优化：在更新操作中，尽量使用聚合管道（如代码中所示），因为它提供了更强大和高效的数据处理能力。与传统的update操作相比，聚合管道可以更有效地处理复杂的更新逻辑。
4. 硬件和集群优化：
   • 确保服务器有足够的内存，以便MongoDB可以将更多的数据缓存到内存中，减少磁盘I/O。
   • 考虑使用MongoDB集群（如副本集和分片集群）来提高读写性能和数据可用性。对于大型电商数据库，分片可以将数据分布在多个节点上，从而提高查询和更新的效率。