🔥关注墨瑾轩，带你探索编程的奥秘！🚀
🔥超萌技术攻略，轻松晋级编程高手🚀
🔥技术宝库已备好，就等你来挖掘🚀
🔥订阅墨瑾轩，智趣学习不孤单🚀
🔥即刻启航，编程之旅更有趣🚀

在 Azure Cosmos DB 中，索引优化是提升查询性能和降低 RU 成本的关键。以下是结合知识库内容和实际场景的索引优化策略：

---

1. 索引策略配置

Azure Cosmos DB 默认对所有属性进行索引（indexingMode: "Consistent"），但可以通过自定义索引策略优化性能。

1.1 包含/排除路径

• 包含根路径：必须显式包含根路径 /*，并选择性排除不需要索引的路径。

  {
    "indexingMode": "Consistent",
    "includedPaths": [
      { "path": "/*" }  // 包含所有属性
    ],
    "excludedPaths": [
      { "path": "/nonIndexedField/?" },  // 排除特定字段
      { "path": "/largeArray/[]/*" }     // 排除大数组
    ]
  }
  

• 按需包含：仅对频繁查询的字段创建索引，减少写入开销。

  {
    "includedPaths": [
      { "path": "/id/?" },
      { "path": "/status/?" },
      { "path": "/location/[]/city/?" }
    ]
  }
  

1.2 系统属性默认索引

• id 和 _ts（系统时间戳）始终被索引，无法禁用。利用这些默认索引优化查询：

  SELECT * FROM c WHERE c.id = "document1"
  

---

2. 复合索引（Composite Indexes）

• 多条件查询优化：对 ORDER BY 或多个 WHERE 条件的组合查询，创建复合索引。

  {
    "compositeIndexes": [
      [
        { "path": "/status", "order": "ascending" },
        { "path": "/priority", "order": "descending" }
      ]
    ]
  }
  

• 查询示例：

  SELECT * FROM c WHERE c.status = 'active' AND c.priority > 5 ORDER BY c.status DESC
  

---

3. 矢量索引优化（DiskANN/QuantizedFlat）

• 适用场景：语义搜索、推荐系统等向量相似度查询。
• 分片 DiskANN：通过 vectorIndexShardKey 分片高基数数据，提升大规模向量搜索性能。

  "vectorIndexes": [
    {
      "path": "/embedding",
      "type": "DiskANN",
      "vectorIndexShardKey": ["/tenantID"]  // 按租户分片
    }
  ]
  

• 参数调优：
  • quantizationByteSize：增加值可提高精度，但会增加 RU 成本。
  • indexingSearchListSize：增大值可提升召回率，但会增加索引构建时间。

---

4. 数组字段优化

• 避免 ARRAY_CONTAINS 性能问题：
  • 方案 1：提取数组元素为单独属性：

    {
      "tags": ["cloud", "database"],
      "tag_cloud": true,
      "tag_database": true
    }
    

    查询优化：

    SELECT * FROM c WHERE c.tag_cloud = true
    

  • 方案 2：创建多键索引：

    {
      "includedPaths": [
        { "path": "/tags/[]/?", "indexes": [ { "kind": "Hash", "dataType": "String" } ] }
      ]
    }
    

---

5. 自动缩放与资源分配

• 动态调整吞吐量：根据查询负载自动扩展 RU/s，避免资源浪费。

  # 使用 Python SDK 更新吞吐量
  container.update_throughput(
      throughput=10000,  # 设置更高 RU/s
      autoscale_settings={"maxThroughput": 20000}
  )
  

---

6. 监控与调优

• 性能指标分析：

  • 使用 Azure 门户或 SDK 收集 RU 消耗、查询延迟等指标。
  • 示例代码：

    from azure.cosmos import CosmosClient
    
    client = CosmosClient("your-endpoint", "your-key")
    database = client.get_database_client("your-database")
    container = database.get_container_client("your-container")
    
    metrics = container.read_metrics()  # 获取性能指标
    for metric in metrics:
        print(metric)
    

• 查询计划分析：

  • 使用 EXPLAIN 或 Query Metrics 工具检查是否命中索引。
  • 示例：

    EXPLAIN SELECT * FROM c WHERE c.status = 'active'
    

---

7. 实际场景优化示例

场景：电商订单查询

• 需求：按用户 ID 和订单状态查询订单。
• 优化步骤：
  1. 创建复合索引：

     {
       "compositeIndexes": [
         [
           { "path": "/userId", "order": "ascending" },
           { "path": "/status", "order": "ascending" }
         ]
       ]
     }
     

  2. 排除非必要字段（如 orderDetails）：

     "excludedPaths": [
       { "path": "/orderDetails/[]/*" }
     ]
     

---

8. 注意事项

• 避免冗余索引：定期审查未使用的索引，删除冗余路径。
• 分页查询优化：使用 continuationToken 避免固定页面大小。

  SELECT * FROM c WHERE c.status = 'active' OPTIONALS CONTINUATIONTOKEN 'token'
  

• 分区键设计：合理选择分区键（如 /tenantID），避免热分区问题。

---

总结

通过 索引策略精简、复合索引设计、矢量索引调优 和 监控反馈，可以显著提升 Cosmos DB 查询性能并降低 RU 成本。结合业务场景灵活调整索引策略，是优化数据库性能的核心。