MongoDB Search

在MongoDB中实现复杂的全文搜索或AI驱动的向量检索时，通常需要引入并维护独立的搜索引擎（如Elasticsearch），这会增加系统架构的复杂性，并带来额外的数据同步和运维成本。

MongoDB Search功能通过在MongoDB实例中集成专用的搜索节点（mongot），提供与数据库无缝集成的全文检索和向量检索能力。无需管理外部搜索系统，即可使用MongoDB查询语言（MQL）完成多模态搜索任务，从而简化开发、降低运维负担。

计费说明（免费试用活动）

MongoDB Search功能当前处于邀测阶段，可通过填写表单申请试用。在此期间，开通并使用Search功能不收取mongot搜索节点的费用，只需支付MongoDB主实例的费用。

适用范围

• 当前仅支持MongoDB 8.0版本的副本集独享型规格实例。暂不支持分片集群。

• 当前仅支持公共云地域。

工作原理

MongoDB Search通过为实例添加专用的mongot搜索节点来隔离搜索负载。该架构确保高强度的搜索任务不影响核心数据库（mongod节点）的请求处理性能。

• 架构核心：mongot节点是承载全文检索和向量检索的独立计算资源，专门负责处理$search（全文检索）和$vectorSearch（向量检索）请求。

• 数据同步：mongot 节点通过 Change Stream 的方式异步复制 mongod 节点的 oplog 来保持索引数据同步，保证最终一致性。

• 查询路由：发起包含$search或$vectorSearch的聚合查询时，mongos会将搜索部分路由到mongot节点执行，然后将搜索结果与mongod节点上的常规查询结果合并，最终返回统一的结果集。

开通Search服务

目的

为已有的MongoDB实例启用Search功能，以创建专用的mongot搜索节点。

操作步骤

1. 访问MongoDB副本集实例列表，在上方选择资源组和地域，然后单击目标实例ID。

2. 在左侧导航栏，选择MongoDB Search。

3. 在MongoDB Search页面，单击立即开通。

4. 在 开通 Search 面板中，配置搜索节点规格。

   参数	说明
   规格	为mongot搜索节点选择合适的计算规格。可根据预期的查询并发量（QPS）和数据复杂度选择。
   存储	为mongot节点分配用于存储Search索引的磁盘空间。该空间独立于主实例的存储。可根据源数据量和索引复杂度预估，并留出一定余量。

   建议搜索节点规格和存储大小不低于主实例的规格和存储大小，后续可根据实际负载进行变更配置。

5. 阅读并勾选服务协议。

6. 单击去支付。

等待创建成功后，可在 MongoDB Search 页面查看新创建的Search节点信息，并进行变配、重启、释放操作。

管理Search节点

在 MongoDB Search 页面，可对已创建的Search节点执行以下操作：

• 变配：调整mongot节点的计算规格或存储空间以适应业务变化。Search节点数量默认为2个，暂不支持变更。

• 重启：在排查问题或应用某些配置时，可以重启mongot节点。重启期间，搜索服务将短暂不可用。

• 释放：如果不再需要Search功能，可释放mongot节点。

  重要

  释放操作会永久删除所有已创建的Search索引，且不可恢复。

创建与使用Search索引

目的

通过创建不同类型的Search索引，启用全文检索或向量检索功能。所有操作均通过MongoDB Shell（mongosh）或兼容的MongoDB驱动程序完成。

前提条件

已使用mongosh或应用程序连接到目标MongoDB实例。

示例一：实现商品评论的全文检索

本示例演示如何为reviews集合创建全文Search索引，并执行关键词查询。

1. 创建动态映射的Search索引。 dynamic: true使MongoDB自动为集合中的所有字段建立索引，适合快速原型验证。

   // 在名为 'reviews' 的集合上创建一个名为 'reviews_full_text_index' 的Search索引
   db.reviews.createSearchIndex({
     name: "reviews_full_text_index",
     definition: {
       "mappings": {
         "dynamic": true
       }
     }
   });
   

2. 使用$search聚合阶段查询包含特定关键词的评论。 以下查询将查找comment字段中包含“good”的评论，并返回评论内容、评分和商品ID。

   db.reviews.aggregate([
     {
       $search: {
         index: "reviews_full_text_index", // 指定要使用的Search索引
         text: {
           query: "good", // 查询关键词
           path: "comment"      // 在 'comment' 字段中搜索
         }
       }
     },
     {
       $limit: 5
     },
     {
       $project: {
         _id: 0,
         productId: 1,
         rating: 1,
         comment: 1,
         score: { $meta: "searchScore" } // 返回搜索相关性得分
       }
     }
   ]);
   

示例二：实现基于图片特征的以图搜图

本示例演示如何为存储了图片向量特征的集合images创建向量Search索引，并执行相似性搜索。

1. 创建向量Search索引。 需指定向量字段的路径、维度（numDimensions）和相似度计算方法（similarity）。

   // 在名为 'images' 的集合上创建一个名为 'vector_index' 的向量索引
   db.images.createSearchIndex(
     "vector_index", 
     "vectorSearch", 
     {
       "fields": [
         {
           "type": "vector",
           "path": "plot_embedding_voyage_3_large",// 存储向量的字段
           "numDimensions": 2048,// 向量的维度
           "similarity": "dotProduct",// 相似度计算方法
           "quantization": "scalar"
         }
       ]
     }
   );
   

2. 使用$vectorSearch聚合阶段查找与给定图片最相似的图片。 需提供一个查询向量（queryVector），它通常由AI模型根据输入图片生成。

   numCandidates：候选集大小。这是一个性能与召回率的权衡参数。增加此值可以提高召回准确率，但会消耗更多资源并可能增加延迟。

   // 假设 QUERY_EMBEDDING 是由AI模型生成的1024维向量
   const QUERY_EMBEDDING = [0.12, 0.45, -0.23, ...]; // 示例向量，请替换为真实向量数据
   // 根据向量相似复杂度进行检索
   db.images.aggregate([
     {
       "$vectorSearch": {
         "index": "vector_index",
         "path": "plot_embedding_voyage_3_large",
         "queryVector": QUERY_EMBEDDING,
         "numCandidates": 150,
         "limit": 10,
         "quantization": "scalar"
       }
     },
     {
       "$project": {
         "_id": 0,
         "plot": 1,
         "title": 1,
         "score": { $meta: "vectorSearchScore" }
       }
     }
   ])
   

应用于生产环境

监控与运维

• 监控指标：mongot搜索节点暂时没有独立的监控指标。可通过观察主实例的CPU、内存、IO和网络指标来间接评估搜索负载的影响。

• 日志管理：mongot节点暂不支持运行日志、慢日志或审计日志的查看。对于慢查询，建议使用explain()方法分析$search或$vectorSearch阶段的执行计划来定位性能瓶颈。

• 索引管理：可通过db.collection.getSearchIndexes()命令查看已创建的Search索引及其状态。

高可用与故障切换

• Search节点默认以2节点架构部署。当其中一个节点发生故障时，系统会自动执行故障切换，将流量路由到健康的节点，请确保业务具备重试机制。

备份恢复与数据同步

• 备份恢复：通过备份文件恢复的新实例不包含原实例的Search索引。需在新实例上重新开通Search服务并重建所有Search索引。

• 数据迁移：使用数据传输服务（DTS）等工具进行数据迁移或同步时，Search索引不会被同步。需在目标实例上手动创建索引。

常见问题

• Q：写入数据后多久可以搜索？

  A：数据同步是异步的，通常在秒级延迟内即可搜索。延迟受实例写入负载、文档大小和网络状况等因素影响。

• Q：在什么情况下会触发索引重建？升降配是否会触发索引重建？

  A：当更改索引定义时，mongot会自动在后台重建新的索引，此时旧索引仍可支持查询， 一旦新索引完成构建，旧索引就不再可用。搜索节点升降配和索引重建并没有直接关联。