Mongodb解释聚合框架
有没有MongoDB中的聚合框架的解释function？ 我在文档中看不到它。
如果没有，还有其他一些方法来检查，查询如何在聚合框架内执行？
我知道你find了
db.collection.find().explain() 但是对于聚合框架，我得到一个错误
db.collection.aggregate( { $project : { "Tags._id" : 1 }}, { $unwind : "$Tags" }, { $match: {$or: [{"Tags._id":"tag1"},{"Tags._id":"tag2"}]}}, { $group: { _id : { id: "$_id"}, "count": { $sum:1 } } }, { $sort: {"count":-1}} ).explain()
从MongoDB版本3.0开始，只需更改命令即可
collection.aggregate(...).explain()
至
collection.explain().aggregate(...)
会给你想要的结果（文件在这里 ）。
对于旧版本> = 2.6，您将需要使用explain选项进行聚合stream水线操作
explain:true
db.collection.aggregate([ { $project : { "Tags._id" : 1 }}, { $unwind : "$Tags" }, { $match: {$or: [{"Tags._id":"tag1"},{"Tags._id":"tag2"}]}}, { $group: { _id : "$_id", count: { $sum:1 } }}, {$sort: {"count":-1}} ], { explain:true } )
聚合框架的一个重要考虑是一个索引只能用于获取stream水线的初始数据（例如，在stream水线开始处使用$match ， $sort ， $geonear ）以及随后的$lookup和$graphLookup阶段。 一旦将数据提取到聚合pipe道中进行处理（例如，通过像$project ， $unwind和$group这样的阶段），进一步的操作将在内存中（如果设置了allowDiskUse选项，可能使用临时文件）。
优化pipe道
通常，您可以通过以下方式优化聚合stream水线：
- 使用
$match阶段启动一个pipe道，将处理限制在相关文档中。 - 确保最初的
$match/$sort阶段由一个有效的索引支持。 - 尽早使用
$match，$limit和$skip过滤数据。 - 最大限度地减less不必要的阶段和文件操作（如果需要复杂的聚合体操，也许重新考虑你的模式）。
- 如果您升级了MongoDB服务器，则可以利用较新的聚合运算符。 例如，MongoDB 3.4添加了许多新的聚合阶段和expression式，包括支持处理数组，string和构面。
根据您的MongoDB服务器版本，还有一些自动发生的聚合pipe道优化 。 例如，相邻的阶段可以被合并和/或重新sorting以提高执行而不影响输出结果。
限制
在MongoDB 3.4中，Aggregation Framework explain选项提供了有关如何处理pipe道的信息，但不支持与find()查询的executionStats模式相同的详细级别。 如果您专注于优化初始查询执行，则可能会发现使用executionStats或allPlansExecution冗长度来查看等价的find().explain()查询是allPlansExecution 。
在MongoDB问题跟踪器中，有几个相关的function请求需要关注更多详细的执行统计信息，以帮助优化/configuration聚合pipe道：
- SERVER-19758：添加“executionStats”和“allPlansExecution”解释模式来聚合解释
- SERVER-21784：跟踪每个聚合pipe道阶段的执行统计信息并通过解释公开
- SERVER-22622：改进$ lookup解释来指示“from”集合上的查询计划
从版本2.6.x开始，mongodb允许用户使用聚合框架进行解释 。
所有你需要做的就是添加解释：真实
db.records.aggregate( [ ...your pipeline...], { explain: true } )
感谢Rafa，我知道甚至可以在2.4中完成，但只能通过runCommand() 。 但现在你可以使用聚合。
聚合框架是MongoDB中的一组分析工具，它允许我们对一个或多个集合中的文档运行各种types的报告或分析。 基于pipe道的思想。 我们从MongoDB集合中获取input，并通过一个或多个阶段传递来自集合的文档，每个阶段对input执行不同的操作。 每个阶段都将输出之前的阶段作为input。 而所有阶段的input和输出都是一系列文件。 每个阶段都有一个特定的工作。 它期待着一个特定的文档forms，并产生一个特定的输出，这本身就是一个文档stream。 在pipe道的末端，我们可以访问输出。
一个单独的舞台是一个数据处理单元。 每个阶段一次input一个文件stream，一次处理一个文件，产生文件的输出stream。 再次，一次一个。 每个阶段都提供一组旋钮或可调参数，我们可以通过参数化阶段来执行我们感兴趣的任务。 所以一个阶段执行一个通用的任务 – 一种通用的任务，并为我们正在使用的特定文档集合的舞台参数化。 正是我们想要的那个阶段，这些文件。 这些可调参数通常采用我们可以提供的操作符的forms，这些操作符将修改字段，执行算术运算，重塑文档或做某种累积任务以及一些其他事情。 通常情况下，我们希望在单个pipe道中多次包含相同types的舞台。
例如，我们可能希望执行一个初始filter，以便我们不必将整个集合传递到我们的pipe道中。 但是，稍后，在进行一些额外的处理之后，要使用不同的标准再次过滤。 所以，回顾一下，pipe道与MongoDB集合一起工作。 它们由阶段组成，每个阶段在其input上执行不同的数据处理任务，并生成文档作为输出传递到下一阶段。 最后在pipe道输出结束后，我们可以在我们的应用程序中做一些事情。 在许多情况下，必须在单个pipe道中多次包括相同types的阶段。
