$lookup性能差主因是跨集合扫描导致O(N×M)数据搬运,必须为from集合foreignField建单字段索引,嵌入优于扩展引用,优先级为嵌入>扩展引用>$lookup。

直接嵌入比扩展引用更省事,但扩展引用不是不能用——关键在于你是否真需要它,以及是否控制住了关联爆炸。
$lookup 性能差的根源是数据跨集合扫描
每次 $lookup 都要读取目标集合的全部匹配文档(或全量扫描),即使加了索引,也得先查主集合、再按字段去另一个集合做二次查找。两个集合的文档数分别是 N 和 M,最坏情况就是 O(N×M) 的数据搬运量。
- 常见错误现象:聚合耗时突然飙升、
explain("executionStats")显示totalDocsExamined远高于预期,甚至触发allowDiskUse报错 - 使用场景:用户订单 + 订单项 + 商品信息 + 商家资料,四层
$lookup套娃后内存爆掉 - 参数差异:
$lookup的from集合若没在关联字段上建索引,WiredTiger 会退化为 COLLSCAN;而嵌入式结构天然规避该问题 - 性能影响:单次
$lookup在百万级集合中可能增加 200–800ms 延迟,且无法被覆盖索引优化
扩展引用只在特定条件下成立
所谓“扩展引用”,本质是把一对多关系从硬关联($lookup)转为软引用(存 ID 数组 + 应用层批量 fetch),但它不是银弹,必须满足三个条件:
- 关联文档更新频率极低(比如商品基础信息每月改一次)
- 客户端能容忍短暂不一致(缓存过期窗口内,商品名变了但订单页还显示旧名)
- 查询模式固定且可预判(如“查某用户最近 10 笔订单 + 每单前 3 个商品”可提前用
distinct拿出所有product_id,再一次性find({ _id: { $in: [...] } }))
否则,你只是把数据库压力转移到了应用层网络往返和内存拼装上。
替代方案优先级:嵌入 > 扩展引用 > $lookup
别一上来就设计“可扩展”的引用结构。先问自己:这个关联是不是总是一起读?是不是几乎不单独更新?
- 一对一或一对少(≤5 个):直接嵌入,比如
user.profile、order.shipping_address - 一对多但读多写少(如文章标签):用数组存
tag_ids,配合缓存或物化视图预加载,避免实时$lookup - 多对多且变更频繁(如用户-权限):保留引用,但用
$lookup时务必前置$match+ 复合索引,例如db.permissions.createIndex({ user_id: 1, resource: 1, action: 1 })
最容易被忽略的一点:扩展引用带来的缓存一致性成本,往往比一次 $lookup 更难调试——尤其是当某个商品被下架后,旧订单页仍显示“已售罄”还是“不存在”,取决于你用的是强一致读还是最终一致缓存。











