高阶面试-mongodb
mongodb的特点，为什么使用他
nosql数据库，前端到后端到数据库，都是json，开发者友好。没有太多约束，可以快速实现需求迭代。
天生分布式，高可用，处理海量高并发的数据应用。
无模式，数据模型发生变更，不需要强制更新表结构
除了CRUD，还有aggregation，可以做分析报表；有gridfs做分布式文件存储
各种致敬，索引、慢查询、explain等，无缝迁移
地理空间索引，适合移动端业务
工具多，mtools搭建集群、mongostat、mongotop等
分布式高可用
涉及到 选举、复制、故障转移、数据均衡、复制延迟等
选举
需要强一致性，一般都是采用raft算法的实现，比如redis的选举、zk的选举等
流程：
各种原因触发选举startElectSelfIfEligible --> 预选举dryRun --> 选举realElection --> 投自己票voteForMyself --> 处理投票结果onVoteRequestComplete --> 处理选举获胜的结果processWinElection --> 状态变更restartHeartbeats_inlock --> 进入追赶模式catchupState --> 判断是否追上abort_inlock --> 收尾模式drainComplete
根据什么确认可以当leader？
心跳(其他节点可能率先完成选主)、任期(term)、opLog时间戳
为啥多了个预选举，防止 网络异常导致的 分区下自己投自己选了很多次term增加很多，然后网络恢复还要多一次选举的情况。
其他优化：
- 多了个chainingAllowed 链式复制，节点同步数据可以选距离自己最近的节点复制数据，怎么判断最近，心跳延时最小
- 支持投票优先级，氪金玩家体验更好
- 选举策略，可以PSS PSA，也就是arbiter等
- 脑裂的避免，primary 在选举超时时间内没收到大多数节点的应答会自动退位成secondary
复制
采用opLog同步数据，这里的oplog是一个特殊的固定集合，当主节点上的一个写操作完成后，会向oplog集合写入一条对应的日志，而备节点则通过这个oplog不断拉取到新的日志，在本地进行回放以达到数据同步的目的。由于日志会不断增加，因此oplog被设计为固定大小的集合，它本身就是一个特殊的固定集合（capped collection），当oplog的容量达到上限时，旧的日志会被滚动删除
怎么实现的？
一个环状的队列，新文档在写入时会被插入队列的末尾，如果队列已满，那么之前的文档就会被新写入的文档所覆盖
类似disraptor
备节点便可以通过轮询的方式进行拉取，这里会用到可持续追踪的游标（tailable cursor）技术
其实类似kafka的LEO同步
每个备节点都分别维护了自己的一个offset，也就是从主节点拉取的最后一条日志的optime，在执行同步时就通过这个optime向主节点的oplog集合发起查询。
每一条oplog记录都描述了一次数据的原子性变更，对于oplog来说，必须保证是幂等性的
如何实现
执行$inc操作，每次都会产生新的结果。这些非幂等的更新命令在oplog中通常会被转换为$set操作
可能问题？
如果备节点的复制不够快，就无法跟上主节点的步伐，从而产生复制延迟（replication lag）问题。
如何解决的
调整 writeConcern 和 readConcern 设置。适当降低 writeConcern 的级别可以减少写入时的延迟，但要权衡数据安全性。启用压缩，如启用 snappy 或 zlib 压缩来减少网络传输的数据量。优化 oplog 大小，确保其足够大以容纳高峰期的写操作。
在开始时，备节点仍然需要向主节点获得一份全量的数据用于建立基本快照，这个过程就称为初始化同步（initial sync）
如何实现
● 备节点记录当前的同步optime=t1（来自主节点的同步时间戳），进入STARTUP2状态。
● 从主节点上复制所有非local数据库的集合数据，同时创建这些集合上的索引。
在这个过程中，备节点会开启另外一个线程，将集合复制过程中的增量oplog（t1之后产生）也复制到本地。
● 将拉取到t1之后的增量oplog进行回放，在完成之前，节点一直处于RECOVERING状态，此时是不可读的。
● oplog回放结束后，恢复SECONDARY状态，进入正常的增量同步流程。
故障转移
自动选举，然后同步
对于业务方，副本集发生主备切换的情况下，会出现短暂的无主节点，无法接受业务写操作，
数据均衡
创建索引失败MongoError: too many namespaces/collections
涉及到存储引擎
mongodb我们用的3.0，存储引擎使用的MMAPv1，采用内存映射文件管理数据，缺点是锁粒度是集合级别，并发性能受影响；缺少数据压缩，磁盘利用率低
2015年3.2版本开始wiredTiger称为默认存储引擎
storage.mmapv1.nsSize ，
mongodb mmapv1 存储引擎的 namespace size 有大小限制，默认 16M，大概 24,000 表和索引在一个 db 里
线上的 库的一个 db有 5000 左右个 collection，每个表了 里差不多有 1~10 个索引
namespace啥意思？就是mongo的collection
mongodb的OOM
背景
线上平台出现mongodb的oom，高可用架构重新选举之后选举完又OOM，mong重启达到分钟级别，多个节点被OOM后，不能很快拉起服务，对业务产生很大影响。
分析
表面看，有几个问题，1是128个G的内存，还会OOM，肯定有优化空间；2是为啥启动这么慢
通过表分析，有很多大表，其中一个巨大的表占用了110G，且有频繁的读写，原因是有很多冷数据，未做冷热分离
优化
- 删除部分历史遗留数据，如有些bak表
- mongodb的优化，mongodb3.2以后采用wiredTiger引擎，虽然不是内存数据库，但是为了提高读写效率，会最大化利用内存。修改evict的配置 db.adminCommand({setParameter: 1, wiredTigerEngineRuntimeConfig: "eviction=(threads_min=1,threads_max=8)"}) 原先最小线程是4，改为1，减少不必要的线程开销，减少IO抖动
深挖
mongo的内存使用
理想情况，mongodb可以提供近似内存的读写性能，wiredTiger有两级缓存，第一层是操作系统的页面缓存，第二层则是引擎提供的内部缓存
![[Pasted image 20240713071010.png]]
数据读取的流程：
- 数据库发起buffer IO读操作，由操作系统将磁盘数据页加载到文件系统的页缓存区。
- 引擎层读取页缓存区的数据，进行解压后存放到内部缓存区。
- 在内存中完成匹配查询，将结果返回给应用
如果数据已经被存储在内部缓存中，MongoDB则可以发挥最佳的读性能。稍差的情况是内部缓存中找不到，但数据仍然被存储在操作系统的页缓存中，此时需要花费一些数据解压缩的开销。为了尽可能保证业务查询的“热数据”能快速被访问，其内部缓存的默认大小达到了内存的一半，对应参数wiredTigerCacheSize指定的。
数据写入的流程：
先在内存中记录这些变更，之后通过CheckPoint机制将变化的数据写入磁盘
带来问题：可靠性
解决方案：
checkpoint检查点机制，类似RDB，建立checkpoint的时候，会在内存建立所有数据的一致性快照，是通过MVCC保证，然后持久化快照，默认1min一次，成功后内存中的修改才会真正保存。
journal日志 WAL机制，预写，顺序写，会将每个写操作的redo日志写入journal缓冲区，频繁地将日志持久化到磁盘上。一般100ms一次。如果journal日志达到100MB，或者应用程序指定journal为true，也会触发。
本质：存量(快照)+增量(journal)
实际写入的完整流程
- 应用写数据CUD
- mongo从内部缓存获取当前记录的page，如果不存在从磁盘加载 buffer IO
- wiredTiger开始执行写事务，修改的数据写入page的一个更新记录表，原来的记录保持不变
- 如果开启journal日志，写入的同时会写journal日志也就是redo log，不超过100ms将日志写磁盘
- mongo每60s执行一次checkpoint，将内存的修改真正刷盘
然后就是脏页 dirty page
需要说到缓存页的管理
page管理也是B+树，当叶子节点产生数据写入，更新记录会写入节点的一块独立区域，此时该节点被标记为脏页。其中insert和update是单独的跳表，分别存插入和修改操作，如果存在修改，读取的时候会从跳表做合并查找。
checkpoint的时候，block manager发起reconncilication过程，将内存页转换为磁盘页的格式，checkpoint线程会遍历内存中全部页并找到所有脏页进行持久化，一般用copy-onwrite保证读写分离。
对于脏页不是就地更新，而是产生新节点，每次都产生一个新的根节点，持久化完成，再淘汰不用的节点。
reconciliation的触发
- checkpoint
- 缓存的page超过最大值(存在大量修改)，产生分裂，触发evict
- 缓存的脏数据比例达到阈值，触发缓存淘汰evict
缓存淘汰
wiredTiger基于LRU实现缓存的淘汰，通常由后台evict线程负责，如果内存很紧张，用户线程也会加入，读写卡顿。
淘汰策略：
![[Pasted image 20240713074054.png]]
从官网上看的
数据压缩，
- 集合采用块压缩，默认采用谷歌开源的snappy
- 索引用前缀压缩 prefix compression
- journal日志也是snappy压缩
压缩算法可以调整，storage.wiredTiger.collectionConfig.blockCompressor mongodb4.2开始支持Zstd，facebook开源的较低的CPU消耗实现更高压缩比
用内存做什么
- mongo的数据读写
- mongo连接线程
- 管理操作如创建索引、数据备份
内部缓存增大后，内存中允许驻留的脏数据也会更多，导致磁盘IO抖动问题更加明显
mongodb cursor not found
背景
使用云厂商提供的mongodb分片集群，client–>slb–>mongos，数据量大的时候报错：[AllExceptionsFilter] CaughtException: MongoError: Cursor not found (namespace: 'v7common.users', id: 3392892230983559305).
分析
游标失效了，通过slb请求mongos，策略的原因，每次查的mongos不一样，游标在一个mongos打开，后续请求路由到另一个mongos了，导致游标丢失。
优化
SLB采用会话保持，让每个客户端的会话被路由到自己对应的mongos实例
mongo的cursor
从应用层面看，游标类似一个指针，看mongodriver，是个迭代器，对于find结果进行遍历，其实是通过MongoCursor对象操作。真实的实现，做了优化，每次获取一批数据放到内存。具体细节：
- 第一次提交查询，才会携带查询条件、排序分页等参数，如果一次查询不完，通过getMore操作用cursorId进行分批拉取
- 调用next方法，其实是获取缓存的一条数据，当缓存遍历完毕自动获取下一批
- 每次拉取的条数由batchSize参数决定
- 如果没有batchSize，默认首次find返回最多101条数据，后续getMore没有限制的化，默认返回不超过16MB的数据
游标有个超时时间，默认10min，那不应该cursor not found的啊
需要了解mongos的原理
mongos查询路由，是分片集群的访问入口，从config server获取元数据并加载，然后提供访问服务将用户请求路由到对应分片。
从不同的slb过来的被认为不同的连接，导致游标失败
连接池偶发断开
背景
华为云ELB，mongo连接池偶发断开
![[Pasted image 20240713102322.png]]
一段时间后（大概一分钟）还能自动恢复
![[Pasted image 20240713102337.png]]
2021-11-16 12:46:11.938 nacos [http-nio-8089-exec-4] WARN org.mongodb.driver.connection - Got socket exception on connection [connectionId{localValue:95, serverValue:9552231}] to 172.16.3.182:7211. All connections to 172.16.3.182:7211 will be closed. 2021-11-16 12:46:11.939 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.connection - Closed connection [connectionId{localValue:95, serverValue:9552231}] to 172.16.3.182:7211 because there was a socket exception raised by this connection. 2021-11-16 12:46:11.939 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.cluster - No server chosen by ReadPreferenceServerSelector{readPreference=primary} from cluster description ClusterDescription{type=SHARDED, connectionMode=MULTIPLE, serverDescriptions=[ServerDescription{address=172.16.3.182:7211, type=UNKNOWN, state=CONNECTING}]}. Waiting for 30000 ms before timing out 2021-11-16 12:46:11.940 nacos [http-nio-8089-exec-4] INFO org.mongodb.driver.connection - Closed connection [connectionId{localValue:94, serverValue:9552230}] to 172.16.3.182:7211 because there was a socket exception raised on another connection from this pool.![[Pasted image 20240713102409.png]]
mongo日志也有报错
![[Pasted image 20240713102424.png]]
分析
ELB导致的mongos的问题，云不是真正的高可靠，打破大厂迷信。
mongo的常用工具
mongostat
/opt/mongodb3.2.13/bin/mongostat -h 10.152.206.81 --port 7210 -u xxx -p 'xxx' --authenticationDatabase=admin --discover
![[Pasted image 20240713070357.png]]
一般用来查看QPS、内存占用、连接数等，里面vsize是虚拟内存 res是物理内存使用量
另外就是
- CRUD的速率是否有波动，超出预期
- connect 连接数是否太多
- dirty 百分比是否较高，如果持续高于10%说明磁盘IO存在瓶颈
- repl 状态是否异常，如果 RTR正常，如果REC等异常值需要修复
mongotop
``
用来查看热点表，
- 是否存在非预期的热点表，其实就是看是否有慢查询
- 热点表的操作耗时是否过高，业务高峰一般比较高一点
可以设置 -n 100 2 就是间隔2s，总共输出100次
迁移
采用 mongoshake
mongodb相关优化
mongo查询数据以后，应该使用project只返回需要使用的字段，否则在数据量、字段比较多的时候，查询效率会显著下降
索引：覆盖索引
