面试题：MongoDB副本集转换分片后的性能调优

选择合适存储引擎：
- MongoDB 4.2 及更高版本默认使用 WiredTiger 存储引擎。对于大规模数据读写场景，WiredTiger 的压缩功能可有效减少磁盘 I/O。例如，使用 snappy 压缩算法（默认），可在不影响太多性能的前提下降低磁盘空间占用，适用于读多写少场景；若写操作频繁且对空间节省要求极高，可考虑 zlib 压缩算法，虽压缩率高但会增加 CPU 开销。
配置存储引擎参数：
- 缓存配置：在 mongod.conf 文件中，可调整 wiredTiger.engineConfig.cacheSizeGB 参数。对于大规模数据读写，建议将该值设置为系统物理内存的 50% - 60%，但不超过 32GB。例如，若服务器有 64GB 内存，可设置 cacheSizeGB: 32，这样能让更多热数据缓存在内存中，减少磁盘 I/O。

索引优化：
- 分析查询语句：使用 explain() 方法分析查询语句，如 db.collection.find({field: value}).explain("executionStats")。根据分析结果，创建合适的索引。例如，若查询经常按某个字段过滤，就为该字段创建单字段索引；若查询涉及多个字段的条件组合，可创建复合索引。
- 覆盖索引：设计索引时尽量让索引覆盖查询字段，减少回表操作。例如，查询 db.collection.find({field1: value1}, {field2: 1, _id: 0})，可创建索引 db.collection.createIndex({field1: 1, field2: 1})，这样查询结果可直接从索引中获取，提高查询效率。
查询路由优化：
- 标签化分片：通过给分片添加标签，并在集合上创建基于标签的分片规则，可将特定查询路由到合适的分片。例如，将按地区存储的数据，按地区标签分配到不同分片，查询时可直接路由到相应分片，减少跨分片查询开销。
- 查询负载均衡：合理配置分片键，确保数据在各分片间均匀分布，避免热点分片。若分片键选择不当，可能导致某一分片负载过高，影响整体性能。例如，选择具有高基数（不同值数量多）的字段作为分片键，像时间戳字段可进行适当处理（如哈希处理）后作为分片键，使数据更均匀分布。

分片集群配置：
- 增加分片数量：根据数据量和读写负载预估，合理增加分片数量。例如，若数据量预计达到 PB 级别且读写负载高，可适当增加分片数量，但也不能过多，以免增加管理开销。一般建议先根据经验公式（如数据量/分片存储能力）初步确定分片数，再通过性能测试进行调整。
- 配置仲裁节点：仲裁节点不存储数据，主要用于参与选举。在副本集作为分片时，确保仲裁节点有足够资源且网络稳定，避免因仲裁节点故障影响副本集选举和数据读写。可将仲裁节点部署在与数据节点不同的网络子网，提高稳定性。
mongos 配置：
- 调整连接池大小：在 mongos 配置文件中，可通过 --connectionPoolSize 参数调整连接池大小。对于大规模数据读写，适当增大连接池大小可提高并发处理能力。例如，可将连接池大小设置为 100 - 200，具体值需根据服务器硬件和负载情况通过性能测试确定。
- 缓存配置：mongos 可配置查询结果缓存，通过 --queryCacheSizeMegabytes 参数设置缓存大小。对于读多写少场景，合理设置缓存大小可减少对后端分片的查询压力。例如，可设置为 500MB - 1GB，缓存经常查询的结果集，提高响应速度。

星途面试题库