在 MongoDB 中，数据分散在多个数据库（DB） 中查询与集中在单个数据库中查询的性能差异主要取决于资源分配、并发操作和系统负载。以下是关键区别：
- 资源隔离 vs. 资源共享
多个数据库：
优势：每个数据库拥有独立的文件、锁和内存缓存（WiredTiger 缓存）。在高并发场景下，不同数据库的查询可减少资源竞争（如锁争用）。
劣势：若物理资源（CPU、内存、磁盘I/O）有限，多个数据库可能分散缓存效率，导致频繁的磁盘访问。
单个数据库：
优势：集中利用缓存（如索引和热数据常驻内存），减少磁盘I/O。
劣势：所有集合共享同一资源池，高并发复杂查询可能引发资源争用（如锁阻塞）。 - 锁粒度
MongoDB ≥ 4.0 后默认使用集合级锁：
无论数据在单库还是多库，集合（Collection） 是锁的最小单位。
多库查询不直接提升并发性能，除非操作不同集合（即使在同一库中也能并发）。
例外：管理操作（如 dropDatabase）会锁定整个数据库。 - 分片集群场景
分片以集合为单位：
分片（Sharding）按集合的分片键拆分数据到不同节点。
查询性能取决于分片键设计和集群负载，与数据库数量无关。
多库分片可能增加运维复杂度，但性能由分片策略决定。 - 缓存效率
单数据库：
所有集合共享内存缓存，热数据访问更高效。
多数据库：
缓存分散，冷数据库的查询可能需从磁盘加载数据。
建议：确保 wiredTigerCacheSizeGB 足够大以容纳多库热数据。 - 其他因素
网络开销：查询多个库需多次连接？
❌ 否：客户端连接的是 MongoDB 实例，一次连接可访问所有库（权限允许时）。
索引优化：性能核心在于索引设计，与库的数量无关。
管理成本：多库需维护更多权限、备份策略，间接影响运维效率。
性能建议
优先优化查询与索引：确保查询使用索引覆盖，避免全表扫描。
评估并发需求：
高并发写入：分散到多库可能减少锁竞争（但优先考虑分片）。
读密集型：单库集中缓存更高效。
资源监控：使用 mongostat 或 Atlas 监控工具，关注：
内存使用率 (cache)
锁等待队列 (`lock%)
磁盘I/O (io)
分片策略：大数据量时，通过分片水平扩展，而非依赖多库。
结论
无本质性能差异：现代 MongoDB（≥4.0）中，性能主要由集合设计、索引、分片、硬件资源决定。
多库适用场景：数据隔离需求（如多租户）、独立备份策略或权限分离。
单库适用场景：数据关联性强、资源有限，需最大化缓存利用率。
💡 实际测试：在相同硬件下，用 explain("executionStats") 对比查询计划，关注 executionTimeMillis 和 totalDocsExamined，而非数据库数量。