Rendimiento de lookup en MongoDB: cómo pasé de consultas de minutos a milisegundos y qué aprendí por el camino
Un día normal recibí un aviso del tech lead: tu consulta es demasiado lenta. El plan de ejecución mostraba que la agregación tardó 33 minutos. Ese fue el inicio de una pequeña investigación para entender por qué un lookup puede volverse tan costoso y cómo optimizarlo de forma segura.
El escenario era típico en una aplicación bancaria con colecciones grandes y soft delete mediante el campo removedAt. La agregación hacía dos lookups con subpipelines y uso de expr para comparar el id de la colección secundaria con variables definidas en let, además de filtrar removedAt en null. A simple vista parecía correcto, pero el rendimiento era un problema serio.
Primero probé cada etapa por separado. Solo el match inicial tardó 10 ms y usaba un índice sencillo por company y type. Al añadir el primer lookup, el tiempo subió a 314 ms. Con ambos lookups, la respuesta pasó a 6 minutos. Claramente, el cuello de botella estaba en los lookups.
Para entenderlo, conviene recordar qué hace lookup. Este operador permite unir documentos de otra colección a través de dos enfoques principales: localField y foreignField para un join directo, o let más pipeline para casos avanzados donde se requieren condiciones adicionales. Aunque el pipeline ofrece flexibilidad, cada etapa extra implica más trabajo para el motor.
El gran problema vino al usar expr dentro del subpipeline del lookup. Según la documentación oficial, expr puede referirse a variables definidas en let, pero al hacerlo MongoDB evalúa la condición documento a documento dentro de la colección de destino. Esto reduce drásticamente el aprovechamiento de índices, especialmente cuando se compara el id con una variable u otras expresiones. A medida que crece la colección, el coste escala de forma no lineal.
La solución más efectiva fue reemplazar el join basado en expr por el patrón localField y foreignField siempre que fuera posible. En nuestro caso, unir company con el id de Company y customer con el id de Customer, y dejar los filtros de removedAt como pasos separados o soportados por índices adecuados. Solo con ese cambio, el tiempo de respuesta pasó de cientos de milisegundos a algunas decenas. En una de las pruebas, quitar un pipeline innecesario redujo el tiempo de 259 ms a 36 ms.
Recomendaciones prácticas que funcionaron en producción
– Prioriza localField y foreignField para que el motor use índices de manera óptima.
– Evita expr dentro de subpipelines del lookup salvo que sea imprescindible; fuerza evaluaciones por documento y encarece la consulta.
– Si necesitas condiciones adicionales, combina localField y foreignField con un pipeline mínimo y bien indexado en la colección de destino.
– Considera índices compuestos o parciales que soporten removedAt en null cuando uses soft delete.
– Mide siempre con explain, aislando etapas para identificar el cuello de botella real.
Resultado final de la optimización
La agregación quedó estructurada con un match inicial sencillo, dos lookups usando localField y foreignField para Company y Customer respectivamente, y un match final para filtros adicionales. Sin subpipelines costosos ni expr en los joins. El rendimiento pasó de minutos a milisegundos de forma consistente.
Por qué esto importa para tu negocio
Si tu plataforma procesa grandes volúmenes de datos, optimizar consultas de MongoDB impacta en la experiencia de usuario, en los costes de infraestructura y en la estabilidad general del sistema. En Q2BSTUDIO ayudamos a equipos a diseñar arquitecturas eficientes y escalables, desde bases de datos hasta backends y microservicios, con un enfoque de software a medida y aplicaciones a medida adaptadas a cada caso de uso. Descubre cómo abordamos estos retos en nuestro servicio de desarrollo de aplicaciones a medida y software a medida.
Más allá del rendimiento de consultas, contamos con especialistas en inteligencia artificial, ia para empresas, agentes IA, ciberseguridad y pentesting, servicios cloud aws y azure, así como servicios inteligencia de negocio con power bi. Diseñamos soluciones end to end que aceleran la toma de decisiones y maximizan el valor de tus datos, tanto on premise como en la nube. Si operas en entornos elásticos o necesitas optimizar costes y disponibilidad, explora nuestros servicios cloud AWS y Azure.
Palabras clave que cuidamos en cada proyecto: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA y power bi. Podemos ayudarte a auditar tus agregaciones, redefinir índices, automatizar procesos críticos y consolidar prácticas de observabilidad para que tu plataforma crezca sin sorpresas.
Resumen accionable
– Usa joins con localField y foreignField siempre que sea viable.
– Minimiza o elimina pipelines dentro de lookup cuando no aporten valor real.
– Evita expr en subpipelines para no perder el beneficio de índices.
– Asegura índices adecuados para los filtros más usados, incluyendo removedAt si aplicas soft delete.
– Mide, compara y documenta los cambios con explain y métricas de producción.
Si tu equipo necesita apoyo para elevar el rendimiento de MongoDB y de tu plataforma en general, Q2BSTUDIO está listo para acompañarte con experiencia probada en escalabilidad, inteligencia artificial, ciberseguridad y cloud.