Mongodb入门--头歌实验MongoDB 之滴滴、摩拜都在用的索引

MongoDB 常用于大数据的存储，在庞大的数据中查询出我们所要的信息，如果使用普通查询方法，遍历所有文档查询，花费的时间太久了。

假设现在有个集合 person，查询命令：db.person.find( {age: 18} )，查询所有年龄 18 岁的人，这时需要遍历所有的文档（全表扫描），根据位置信息读出文档，对比 age 字段是否为 18。当然如果只有 4 条文档，全表扫描的开销并不大，但如果集合文档数量到百万、甚至千万上亿的时候，对集合进行全表扫描开销是非常大的，一个查询耗费数十秒甚至几分钟都有可能。这时候我们就需要考虑使用索引了。

其中，地理位置索引支持是 MongoDB 的一大亮点，随着智能手机的兴起，查询当前位置附近的事情变得非常普遍。常见的滴滴、摩拜、OFO 等基于位置进行查询的场景都可以使用 MongoDB 的位置索引。

一、了解并创建一个简单索引

任务描述

本关任务：创建一个单字段索引。

相关知识

为了完成本关任务，你需要掌握： 1.了解索引； 2.索引的分类； 3.如何创建索引。

注：本关实训例子程序请在 mydb 数据库的 person 集合内完成。

了解索引

什么是索引：

索引本质上是树，最小的值在最左边的叶子上，最大的值在最右边的叶子上，使用索引可以提高查询速度（而不用全表扫描）。

索引的原理：

对某个键按照升续或降续创建索引，查询时首先根据查询条件查找到对应的索引条目，然后找到索引条目对应的文档指针（文档在磁盘上的存储位置），根据文档指针再去磁盘中找到相应的文档，整个过程不需要扫描全表，速度比较快。

每个文档被插入集合时，如果没有给它指定索引_id，MongoDB 会自动给它创建一个默认索引_id，是个 ObjectId 对象。如图1所示：

图 1

索引的分类

MongoDB 支持多种类型的索引，主要有以下几种类型：

索引类型用途
包括单字段索引（Single Field Index）针对某一键 key 创建了单字段索引，其能加速对 key 字段的各种查询请求，是最常见的索引形式，MongoDB 默认创建的 id 索引也是这种类型。
复合索引 (Compound Index) 复合索引是单字索引的升级版本，它针对多个字段联合创建索引，先按第一个字段排序，第一个字段相同的文档按第二个字段排序，依次类推。
多 key 索引 (Multikey Index) 当索引的字段为数组时，创建出的索引称为多 key 索引。
哈希索引（Hashed Index）按照某个字段的hash值来建立索引，目前主要用于 MongoDB Sharded Cluster 的 Hash 分片，哈希索引只能满足字段完全匹配的查询，不能满足范围查询等。
地理位置索引（Geospatial Index）能很好的解决 O2O 的应用场景，比如：查找附近的美食、查找某个区域内的车站等。
文本索引（Text Index）能解决快速文本查找的需求，比如有一个博客文章集合，需要根据博客的内容来快速查找，则可以针对博客内容建立文本索引。

索引基本操作

创建索引（单字段索引）
db.person.createIndex({key:1})
key ：要创建索引的键；
如果为 1 说明是按照升序创建索引，而如果为 -1，则是按降序创建索引。

如图2所示，说明创建索引成功：

图 2

查询索引

查询集合索引：
db.person.getIndexes()
效果如图3所示：

图 3

查询系统全部索引：
db.system.indexes.find()
删除索引

通过指定索引名称删除该索引：
db.person.dropIndex("ageIdx")
效果如图4所示：

图 4

通过指定集合删除集合中的全部索引：
db.person.dropIndexes()
效果如图5所示：

图 5

注：默认索引_id不会且不能被删除

编程要求

根据提示，在右侧命令行进行操作，在 test 数据库创建集合 student ，内容如下：

_id name age score
1 王小明 15 90
2 周晓晓 18 86
3 王敏 20 96
4 李晓亮 15 74
5 张青青 21 88

然后在集合中创建成绩的降序索引。

索引类型	用途
包括单字段索引（Single Field Index）	针对某一键 key 创建了单字段索引，其能加速对 key 字段的各种查询请求，是最常见的索引形式，MongoDB 默认创建的 id 索引也是这种类型。
复合索引 (Compound Index)	复合索引是单字索引的升级版本，它针对多个字段联合创建索引，先按第一个字段排序，第一个字段相同的文档按第二个字段排序，依次类推。
多 key 索引 (Multikey Index)	当索引的字段为数组时，创建出的索引称为多 key 索引。
哈希索引（Hashed Index）	按照某个字段的hash值来建立索引，目前主要用于 MongoDB Sharded Cluster 的 Hash 分片，哈希索引只能满足字段完全匹配的查询，不能满足范围查询等。
地理位置索引（Geospatial Index）	能很好的解决 O2O 的应用场景，比如：查找附近的美食、查找某个区域内的车站等。
文本索引（Text Index）	能解决快速文本查找的需求，比如有一个博客文章集合，需要根据博客的内容来快速查找，则可以针对博客内容建立文本索引。

_id	name	age	score
1	王小明	15	90
2	周晓晓	18	86
3	王敏	20	96
4	李晓亮	15	74
5	张青青	21	88

> use test
switched to db test> db.student.insert([{_id:1,name:"王小明",age:15,score:90},{_id:2,name:"周晓晓",age:18,score:86},{_id:3,name:"王敏",age:20,score:96},{_id:4,name:"李晓亮",age:15,score:74},{_id:5,name:"张青青",age:21,score:88}])
BulkWriteResult({"writeErrors" : [ ],"writeConcernErrors" : [ ],"nInserted" : 5,"nUpserted" : 0,"nMatched" : 0,"nModified" : 0,"nRemoved" : 0,"upserted" : [ ]
})> db.student.createIndex({score:-1})
{"createdCollectionAutomatically" : false,"numIndexesBefore" : 1,"numIndexesAfter" : 2,"ok" : 1
}

二、常见索引的创建

任务描述

本关任务：按照编程要求创建不同的索引。

相关知识

为了完成本关任务，你需要掌握： 1.创建复合索引； 2.创建多 key 索引； 3.创建哈希索引； 4.文本索引创建与使用（重点）。

注：本关实训例子程序请在 mydb2 数据库内完成。

创建复合索引

和创建单字段索引的方法差不多，只是选取了多个键一同作为索引，中间以逗号隔开:
db.person.createIndex({age: 1, name: 1})
用法也和单字段索引差不多，就不再赘述。

创建多 key 索引

当索引的字段为数组时，创建出的索引称为多 key 索引，多 key 索引会为数组的每个元素建立一条索引，比如 person 集合加入一个 habbit 字段（数组）用于描述兴趣爱好：
{name : '王小明', age : 19, habbit: ['football', 'runnning']}
需要查询有相同兴趣爱好的人就可以利用 habbit 字段的多 key 索引。
db.person.createIndex( {habbit: 1} )     // 升序创建多key索引
db.person.find({habbit: 'football'})     //查找喜欢足球的人
创建哈希索引

创建命令如下：
db.person.createIndex( { _id: 'hashed' } )
注：哈希索引涉及知识点太多，本关就不做重点介绍，以后用到再做详细解释。

文本索引的创建与使用

什么时候使用文本索引；

假如我们用 Mongodb 存储了很多博客文章，那么如何快速找到所有关于 mongodb 这个主题的文章呢？这时候就要用到文本搜索了。

有文章集合 collection，如下：
{title: 'enjoy the mongodb articles on educoder',tags: ['mongodb','educoder']
}
创建文本索引命令，如下：
db.collection.createIndex({ title: 'text'})
创建全文本索引的字段必须为 string 格式；
每个集合只支持一个文本索引。

运行效果如图1所示：

图 1

也可以创建多个字段的 text，下面的示例在字段主题和注释上创建一个文本索引：
db.collection.createIndex({title:'text',tags：'text'}
)
使用文本索引；

现在我们已经创建了 title 的索引，我们来搜索一下含有 educoder.net 的文章：
db.collection.find({$text:{$search:'educoder.net'}})
search 后的关键词可以有多个，关键词之间的分隔符可以是多种字符，例如空格、下划线、逗号、加号等，但不能是-和\，因为这两个符号会有其他用途。搜索的多个关键字是 or 的关系，除非你的关键字包含-；
匹配时不是完整的单词匹配，相似的词也可以匹配到；

运行效果如图2所示：

图 2
删除文本索引；
通过命令获取索引名：
db.collection.getIndexes()
删除命令：
db.collection.dropIndex('title_text')
运行效果如图3所示：

图 3
编程要求

根据提示，在右侧命令行进行操作，在 test2 数据库中创建集合 article，内容如下：

_id title tags follwers
1 提升程序员工作效率的6个工具利器 Alfred，幕布 543
2 我是如何从零开始学习前端的 HTML，Html5，CSS 1570
3 20个非常有用的JAVA程序片段 Java，编程 1920

集合创建完成后，按要求创建以下索引：

用字段 follwers 和 title 创建复合升序索引；

用字段 tags 创建多 key 降序索引；

用_id创建哈希索引；

用字段 title 和 tags 创建文本索引。

_id	title	tags	follwers
1	提升程序员工作效率的6个工具利器	Alfred，幕布	543
2	我是如何从零开始学习前端的	HTML，Html5，CSS	1570
3	20个非常有用的JAVA程序片段	Java，编程	1920

> use test2
switched to db test2> db.article.insert([
{_id:1,title:"提升程序员工作效率的6个工具利器",tags:["Alfred","幕布"],follwers:543},
{_id:2,title:"我是如何从零开始学习前端的",tags:["HTML","Html5","CSS"],follwers:1570},
{_id:3,title:"20个非常有用的JAVA程序片段",tags:["Java","编程"],follwers:1920}])
BulkWriteResult({"writeErrors" : [ ],"writeConcernErrors" : [ ],"nInserted" : 3,"nUpserted" : 0,"nMatched" : 0,"nModified" : 0,"nRemoved" : 0,"upserted" : [ ]
})> db.article.createIndex({follwers:1,title:1})
{"createdCollectionAutomatically" : false,"numIndexesBefore" : 1,"numIndexesAfter" : 2,"ok" : 1
}> db.article.createIndex({tags:-1})
{"createdCollectionAutomatically" : false,"numIndexesBefore" : 2,"numIndexesAfter" : 3,"ok" : 1
}> db.article.createIndex({_id:'hashed'})
{"createdCollectionAutomatically" : false,"numIndexesBefore" : 3,"numIndexesAfter" : 4,"ok" : 1
}> db.article.createIndex({title:'text',tags:'text'})
{"createdCollectionAutomatically" : false,"numIndexesBefore" : 4,"numIndexesAfter" : 5,"ok" : 1
}

三、有趣的地理位置索引

任务描述

本关任务：查看我们距离哪所大学最近。

相关知识

为了完成本关任务，你需要掌握： 1.什么是 GeoJson 数据； 2.如何创建地理位置索引； 3.如何使用地理位置索引。

注：本关实训例子程序请在 mydb3 数据库内完成。

GeoJson 数据

并不是所有文档都可以创建地理位置索引，只有拥有特定格式的文档才可以创建。

如果我们用的是 2dsphere 索引，那么插入的应该是 GeoJson 数据。GeoJson 的格式如是： { type: 'GeoJSON type' , coordinates: 'coordinates' }

type ：指的是类型，可以是 Point (本例中用的)、LineString、 Polygon 等；

coordinates ：指的是一个坐标数组。

我们有如下几个位置的坐标信息（具体详情如图1所示），先把它们写入集合 locations 中。
db.locations.insert({_id:1,name:'长沙站',location:{type:'Point',coordinates:[113.018987,28.201215]}})
db.locations.insert({_id:2,name:'湖南师范大学',location:{type:'Point',coordinates:[112.946045,28.170968]}})
db.locations.insert({_id:3,name:'中南大学',location:{type:'Point',coordinates:[112.932175,28.178291]}})
db.locations.insert({_id:4,name:'湖南女子学院',location:{type:'Point',coordinates:[113.014675,28.121163]}})
db.locations.insert({_id:5,name:"湖南农业大学",location:{type:'Point',coordinates:[113.090852,28.187461]}})
图 1

创建地理位置索引

有了规范的文档后，我们就可以使用以下命令，在 location 键上创建一个地理位置索引：
db.locations.createIndex({location:'2dsphere'})
2d ：平面坐标索引，适用于基于平面的坐标计算，也支持球面距离计算，不过官方推荐使用 2dsphere 索引；

2dsphere ：几何球体索引，适用于球面几何运算；

默认情况下，地理位置索引会假设值的范围是从−180到180（根据经纬度设置）。

如下索引创建成功，效果如图2所示：

图 2

地理位置索引的使用

查询命令：
db.runCommand({geoNear:'locations',near:{type:'Point',coordinates:[113.018987,28.201215]},spherical:true,minDistance:1000,maxDistance:8000})
geoNear ：我们要查询的集合名称；

near ：就是基于那个点进行搜索，这里是我们的搜索点“长沙站”；

spherical ：是个布尔值，如果为 true，表示将计算实际的物理距离，比如两点之间有多少 km，若为 false，则会基于点的单位进行计算；

minDistance ：搜索的最小距离，这里的单位是米；

maxDistance ：搜索的最大距离。

查询结果分析：

在 result 中，查到了“湖南农业大学”和“湖南师范大学”，每个文档都加上了一个 dis 字段，它表示这个点离你搜索点的距离。比如说，在结果中 name 为“湖南农业大学”的点的 dis 为7215.061630510019。表示“湖南农业大学”距离搜索点“长沙站”的距离是7215米。这个结果对于 LBS 应用是非常有用的。具体详情如图3所示：

图 3

编程要求

如图4所示，有6个人 A、B、C、D、E、F 的位置，请将这些位置信息插入到数据库 test3 的集合 people 中，并建立地理位置索引 personloc。

查询 A 周围100~3000米有哪些人；

查询 B 周围100~5000米有哪些人；

查询 C 周围3000~8000米有哪些人；

查询 D 周围3000~8000米有哪些人。

图 4

请逐条插入以下信息和位置 GeoJson 数据：
{_id:1,name:'A',personloc:{type:'Point',coordinates:[116.403981,39.914935]}}
{_id:2,name:'B',personloc:{type:'Point',coordinates:[116.433733,39.909511]}}
{_id:3,name:'C',personloc:{type:'Point',coordinates:[116.488781,39.949901]}}
{_id:4,name:'D',personloc:{type:'Point',coordinates:[116.342609,39.948021]}}
{_id:5,name:'E',personloc:{type:'Point',coordinates:[116.328236,39.901098]}}
{_id:6,name:'F',personloc:{type:'Point',coordinates:[116.385728,39.871645]}}

echo "
db.people.insert({_id:1,name:'A',personloc:{type:'Point',coordinates:[116.403981,39.914935]}});
db.people.insert({_id:2,name:'B',personloc:{type:'Point',coordinates:[116.433733,39.909511]}});
db.people.insert({_id:3,name:'C',personloc:{type:'Point',coordinates:[116.488781,39.949901]}});
db.people.insert({_id:4,name:'D',personloc:{type:'Point',coordinates:[116.342609,39.948021]}});
db.people.insert({_id:5,name:'E',personloc:{type:'Point',coordinates:[116.328236,39.901098]}});
db.people.insert({_id:6,name:'F',personloc:{type:'Point',coordinates:[116.385728,39.871645]}});
db.people.createIndex({personloc:'2dsphere'});
db.runCommand({geoNear:'people',near:{type:'Point',coordinates:[116.403981,39.914935]},spherical:true,minDistance:100,maxDistance:3000});
db.runCommand({geoNear:'people',near:{type:'Point',coordinates:[116.433733,39.909511]},spherical:true,minDistance:100,maxDistance:5000});
db.runCommand({geoNear:'people',near:{type:'Point',coordinates:[116.488781,39.949901]},spherical:true,minDistance:3000,maxDistance:8000});
db.runCommand({geoNear:'people',near:{type:'Point',coordinates:[116.342609,39.948021]},spherical:true,minDistance:3000,maxDistance:8000});
"