概述

理解MongoDB查询优化的核心，关键在于掌握“索引边界”这一概念。你可以将其视为查询引擎为索引字段设定的一个“数值筛选区间”。这个区间定义得越精准，数据库需要扫描的文档数量就越少，从而显著提升查询速度并降低系统资源消耗。

利用多键索引的边界交集优化查询

如何让这个“筛选区间”更加精准呢？一个非常有效的策略是计算“边界交集”。这类似于数学中的区间交集运算：例如，区间[3, +∞)与区间(-∞, 6]的交集就是[3, 6]。MongoDB在处理涉及数组的查询时，会智能地应用这一逻辑来缩小扫描范围。

具体到针对数组字段建立的多键索引，当查询中使用 $elemMatch 操作符来指定多个条件时，MongoDB会主动合并这些条件的边界，从而生成一个更精确的查询范围。我们通过一个实例来深入理解。

首先，创建一个名为students的集合并插入示例数据：

db.students.insertMany([
    {_id: 1, name: 'Shawn', grades: [70,85]},
    {_id: 2, name: 'Elena', grades: [92, 84]}
])

接着，为grades这个数组字段创建一个升序的多键索引：

db.students.createIndex({grades: 1})

现在，执行一个核心查询：查找grades数组中存在任意一个元素，其值在90到99之间（包含90和99）的文档。

db.students.find( { grades: { $elemMatch: { $gte: 90, $lte:99 } } } )

这个查询的精妙之处在于$elemMatch。它强制要求数组中的同一个元素必须同时满足“大于等于90”和“小于等于99”这两个条件。分析其执行策略：条件“$gte: 90”对应的索引边界是[90, +∞)，条件“$lte: 99”对应的边界是(-∞, 99]。由于使用了$elemMatch，MongoDB会先计算这两个边界的交集，得到精确的[90, 99]区间，然后直接利用索引在该区间内进行高效查找。

如果省略$elemMatch，查询语义将发生根本变化：

db.students.find( { grades: { $gte: 90, $lte:99 } }  )

此时，查询的含义变为：查找满足“数组中至少有一个元素≥90”并且“数组中至少有一个元素≤99”的文档。这两个条件可以由数组中两个不同的元素分别满足。因此，MongoDB无法预先计算出一个统一的边界交集，它可能只能选择其中一个边界（如[90, +∞)）进行索引扫描，然后再在内存中过滤，这无法保证最终结果中的某个元素一定落在[90, 99]区间内。

这两种写法的性能差异，可以通过执行计划（explain）清晰地展现出来。运行以下命令进行对比：

db.students.find( { grades: { $elemMatch: { $gte: 90, $lte:99 } } } ).explain()
db.students.find( { grades: { $gte: 90, $lte:99 } }  ).explain()

下图对比直观地说明了问题。左侧是使用$elemMatch的执行计划，显示了精确的索引边界；右侧则未使用，查询范围更为宽泛，可能导致性能下降。

复合多键索引的边界混合机制

复合多键索引的强大之处在于，它能够将多个字段的索引边界“混合”起来，形成一个多维的查询过滤框，从而在针对多个字段进行查询时实现极致的效率。假设有一个关于温度和湿度的复合索引{temperature: 1, humidity: 1}，分别给定边界[80, +∞)和(-∞, 20]，那么混合后的复合边界就是{ temperature: [80, +∞)， humidity: (-∞, 20] }。这样，MongoDB可以一次性利用两个维度的约束来精准定位数据。

反之，如果边界无法成功混合，查询引擎可能只能利用索引中的第一个字段（前导字段）进行范围扫描，后续字段的过滤能力将大大减弱，甚至退化为内存过滤。下面，我们探讨几种典型的边界混合场景。

场景一：非数组字段与数组字段的边界混合

这个场景演示了如何通过混合边界，强化查询的过滤条件。我们创建一个survey集合并插入数据：

db.survey.insertMany([
    { _id: 1, item: "abc", ratings: [ 2, 5, 8 ] },
    { _id: 2, item: "xyz", ratings: [ 5, 8 ] }
])

为其创建一个包含非数组字段和数组字段的复合多键索引：

db.survey.createIndex({item: 1, ratings: 1})

执行如下查询：查找item为“abc”且ratings数组中存在大于等于3的元素的文档。

db.survey.find({item: "abc", ratings: { $gte: 3}})

查看其执行计划，过程非常清晰：

我们来解析查询条件：item: “abc”是一个精确匹配，等价于边界[“abc”, “abc”]；ratings: {$gte: 3}等价于边界[3, +∞)。MongoDB成功地将这两个边界混合，创建了一个高效的复合查询范围，从而快速定位到目标文档。

场景二：非数组字段与多个数组字段的边界混合

当查询涉及多个数组字段时，情况会变得复杂。新建一个集合survey2，其中包含嵌套文档的数组：

db.survey2.insertMany([
    { _id: 1, item: "abc", ratings: [ { score: 2, by: "mn"}, { score: 9, by: "anon"}] },
    { _id: 2, item: "xyz", ratings: [  { score: 5, by: "anon"}, { score: 7, by: "wv"}] }
])

创建一个涉及嵌套数组字段的复合索引：

db.survey2.createIndex({item: 1, "ratings.score": 1, "ratings.by": 1})

现在执行这个查询：查找item为“xyz”，且ratings数组中存在分数小于等于5、并且评价者为“anon”的文档。

db.survey2.find({item: "xyz", "ratings.score": { $lte: 5}, "ratings.by": "anon"})

单独分析每个查询条件：

• item: “xyz”: 边界是精确的[“xyz”, “xyz”]
• “ratings.score”: {$lte: 5}: 边界是(-∞, 5]
• “ratings.by”: “anon”: 边界是精确的[“anon”, “anon”]

这里出现了一个关键限制：MongoDB能够将item的边界与ratings.score或ratings.by中的一个边界混合，但具体选择与哪个字段混合，取决于查询操作符和索引值的分布。当引擎无法确定时，执行计划也会反映出这种不确定性。如下图所示：

那么，如何确保MongoDB能够成功混合文档数组中多个字段的边界呢？答案是：必须使用$elemMatch操作符。

场景三：混合同一数组中多个字段的边界

要成功混合同一个数组内多个字段的索引边界，必须严格遵守以下两个规则：

• 索引键必须位于完全相同的文档路径上（即使字段名不同）。
• 查询语句必须使用$elemMatch，并在相同的路径上指定所有条件。

什么是“相同路径”？以点号分隔的字段如“a.b.c.d”，其路径就是“a.b.c”。要混合这个数组内字段的边界，$elemMatch必须作用在“a.b.c”这个路径上，即针对整个数组元素进行匹配，而不是直接针对字段d进行独立查询。

我们在survey2集合上再创建一个专门针对数组内字段的复合索引：

db.survey2.createIndex({"ratings.score": 1, "ratings.by": 1})

然后，构建一个正确使用$elemMatch的查询。该查询要求ratings数组中的同一个元素必须同时满足分数条件和评价者条件：

db.survey2.find({ratings: {$elemMatch: {score: {$lte: 5}, by: "anon"}}})

查看此时的执行计划（如下图），可以看到MongoDB已经成功地将score和by字段的边界混合为一个高效的查询范围，这正是我们期望的优化效果，能极大提升此类数组多条件查询的性能。