如何优化MongoDB文档模型以减少内存消耗

嵌入式文档过大、字段冗余、索引膨胀及冷数据滞留是导致WiredTiger缓存内存压力升高的四大主因；应拆分嵌套结构、清理废弃字段、精简索引并实施TTL归档。

嵌入式文档过大导致内存压力升高

当一个文档内嵌大量子文档（比如课程里塞几十个视频、测验、课件），每次查询或更新该文档时，整个文档都会被加载进 WiredTiger 缓存。即使只读取其中 1 个字段，bytes currently in the cache 仍会记录完整文档大小，造成缓存污染和内存浪费。

典型表现是 db.serverStatus().wiredtiger.cache 中 bytes currently in the cache 持续接近 maximum bytes configured，但实际热数据占比很低。

• 把高频独立访问的子资源拆到单独集合（如 lessons、quizzes），用 ObjectId 引用代替内嵌
• 对嵌入数组设长度上限（如 course.lectures: { $size: { $lt: 20 } }），配合应用层分页
• 避免在嵌入文档中存储二进制（BinData）或长文本（如 Base64 编码的图片），改用文件服务 + URL 字段

冗余字段和宽松 schema 加剧内存开销

MongoDB 不强制 schema，但放任字段随意增减会导致同一集合中文档结构高度不一致。WiredTiger 对每个文档单独压缩和缓存，字段名重复存储、字段顺序混乱、类型混用（如 "status": "1" 和 "status": 1）都会降低压缩率，增加缓存体积。

例如，10 万条用户文档若每条多存一个未使用的 temp_metadata 字段（平均 200B），仅此一项就额外占用约 20MB 内存缓存 —— 这些数据根本不会被查询，却长期挤占 LRU 缓存空间。

• 上线前用 db.collection.aggregate([{$project: {fields: {$objectToArray: "$$ROOT"}}}, {$unwind: "$fields"}, {$group: {_id: "$fields.k", count: {$sum: 1}}}], {allowDiskUse: true}) 统计字段分布，清理低频/废弃字段
• 统一数值字段类型（全用 int32 或 int64，避免混用 double）
• 字符串字段启用 collation 并预处理（如 trim、小写化），减少因大小写/空格差异导致的索引和缓存碎片

索引字段膨胀间接推高内存占用

索引本身也驻留在 WiredTiger 缓存中。复合索引字段越多、值越长（如索引 user.profile.bio 这种长文本字段），索引条目体积越大。更隐蔽的问题是：如果索引键包含高基数字段（如 timestamp），会导致 B-tree 分支变深、页分裂频繁，进一步放大内存驻留量。

执行 db.collection.getIndexes() 后检查每个索引的 key 和 size（可通过 db.collection.stats().indexDetails 查看），常发现 30%+ 的索引从未被 explain("executionStats") 中的 executionStages.inputStage.indexName 引用过。

• 删除未被 explain() 命中过的索引（尤其是以 _id 开头的冗余复合索引）
• 用部分索引过滤掉无效数据：db.logs.createIndex({level: 1, timestamp: -1}, {partialFilterExpression: {level: {$in: ["ERROR", "WARN"]}}})
• 对长字符串字段建索引时加 text 索引替代字段前缀索引，或用哈希字段（sha256(content)）代替原始内容

忽略 TTL 和归档策略让冷数据滞留内存

没有 TTL 索引或归档机制时，日志、事件、临时会话等冷数据会长期堆积。它们虽不常被查询，但只要被读过一次，就会进入缓存；而 WiredTiger 的 LRU 策略无法区分“业务冷”和“系统冷”，导致热数据被频繁踢出。

尤其在分片集群中，某些 shard 上冷数据占比超 70%，但 db.serverStatus().wiredtiger.cache 显示缓存使用率仍达 90%+，说明内存正被无效数据低效占用。

• 为明确生命周期的数据加 TTL 索引：db.sessions.createIndex({createdAt: 1}, {expireAfterSeconds: 3600})
• 对历史数据定期导出并清空旧分片：db.old_logs.renameCollection("old_logs_archived_2025_q2")
• 在应用层写入时主动标记冷热标签（如 {hot: true, ttl: ISODate("...")}），配合后台 job 批量迁移

真正卡住内存优化效果的，往往不是配置参数调得不够细，而是数据模型里那些「看起来无害」的嵌套层级、字段冗余和冷热混存 —— 它们不会报错，却持续拖慢缓存效率，且在监控指标里藏得极深。