MongoDB参数限制和阀值

Posted 2021-05-01 Python爬虫与算法进阶

今天搜索spark mongo的资料，意外发现了MongoDB的一些知识，这些都是之前没有接触过的，所以专门记录下。

一、BSON文档

    1、BSON文档尺寸：一个document文档最大尺寸为16M；大于16M的文档需要存储在GridFS中。

    2、文档内嵌深度：BSON文档的结构（tree）深度最大为100。

二、Namespaces

    1、collection命名空间：<database>.<collection>，最大长度为120字节。这也限定了database和collection的名字不能太长。

    2、命名空间的个数：对于MMAPV1引擎，个数最大为大约为24000个，每个collection以及index都是一个namespace；对于wiredTiger引擎则没有这个限制。

    3、namespace文件的大小：对于MMAPV1引擎而言，默认大小为16M，可以通过在配置文件中修改。wiredTiger不受此限制。

三、indexes

    1、index key：每条索引的key不得超过1024个字节，如果index key的长度超过此值，将会导致write操作失败。

    2、每个collection中索引的个数不得超过64个。

    3、索引名称：我们可以为index设定名称，最终全名为<database name>.<collection name>.$<index name>，最长不得超过128个字节。默认情况下<index name>为filed名称与index类型的组合，我们可以在创建索引时显式的指定index名字，参见createIndex()方法。

    4、组合索引最多能包含31个field。

四、Data

    1、Capped Collection：如果你在创建“Capped”类型的collection时指定了文档的最大个数，那么此个数不能超过2的32次方，如果没有指定最大个数，则没有限制。

    2、Database Size：MMAPV1引擎而言，每个database不得持有超过16000个数据文件，即单个database的总数据量最大为32TB，可以通过设置“smallFiles”来限定到8TB。

    4、每个Database中collection个数：对于MMAPV1引擎而然，每个database所能持有的collections个数取决于namespace文件大小（用来保存namespace）以及每个collection中indexes的个数，最终总尺寸不超过namespace文件的大小（16M）。wiredTiger引擎不受到此限制。

五、Replica Sets

    1、每个replica set中最多支持50个members。

    2、replica set中最多可以有7个voting members。（投票者）

    3、如果没有显式的指定oplog的尺寸，其最大不会超过50G。

六、Sharded Clusters

    1、group聚合函数，在sharding模式下不可用。请使用mapreduce或者aggregate方法。

    2、Coverd Queries：即查询条件中的Fields必须是index的一部分，且返回结果只包含index中的fields；对于sharding集群，如果query中不包含shard key，索引则无法进行覆盖。虽然_id不是“shard key”，但是如果查询条件中只包含_id，且返回的结果中也只需要_id字段值，则可以使用覆盖查询，不过这个查询似乎并没有什么意义（除非是检测此_id的document是否存在）。

    3、对于已经存有数据的collections开启sharding（原来非sharding），则其最大数据不得超过256G。当collection被sharding之后，那么它可以存储任意多的数据。

    4、对于sharded collection，update、remove对单条数据操作（操作选项为multi:false或者justOne），必须指定shard key或者_id字段；否则将会抛出error。

    5、唯一索引：shards之间不支持唯一索引，除非这个“shard key”是唯一索引的最左前缀。比如collection的shard key为{"zipcode":1,"name": 1}，如果你想对collection创建唯一索引，那么唯一索引必须将zipcode和name作为索引的最左前缀，比如：collection.createIndex({"zipcode":1,"name":1,"company":1},{unique:true})。

    6、在chunk迁移时允许的最大文档个数：如果一个chunk中documents的个数超过250000（默认chunk大小为64M）时，或者document个数大于 1.3 *（chunk最大尺寸（有配置参数决定）/ document平均尺寸），此chunk将无法被“move”（无论是balancer还是人工干预），必须等待split之后才能被move。

七、shard key

1. shard key的长度不得超过512个字节。

2. “shard key索引”可以为基于shard key的正序索引，或者以shard key开头的组合索引。shard key索引不能是multikey索引（基于数组的索引）、text索引或者geo索引。

3. Shard key是不可变的，无论何时都不能修改document中的shard key值。如果需要变更shard key，则需要手动清洗数据，即全量dump原始数据，然后修改并保存在新的collection中。

4. 单调递增（递减）的shard key会限制insert的吞吐量；如果_id是shard key，需要知道_id是ObjectId()生成，它也是自增值。对于单调递增的shard key，collection上的所有insert操作都会在一个shard节点上进行，那么此shard将会承载cluster的全部insert操作，因为单个shard节点的资源有限，因此整个cluster的insert量会因此受限。如果cluster主要是read、update操作，将不会有这方面的限制。为了避免这个问题，可以考虑使用“hashed shard key”或者选择一个非单调递增key作为shard key。（rang shard key 和hashed shard key各有优缺点，需要根据query的情况而定）。

八、Operations

1. 如果mongodb不能使用索引排序来获取documents，那么参与排序的documents尺寸需要小于32M。

2. Aggregation Pileline操作。Pipeline stages限制在100M内存，如果stage超过此限制将会发生错误，为了能处理较大的数据集，请开启“allowDiskUse”选项，即允许pipeline stages将额外的数据写入临时文件。

九、命名规则

1. database的命名区分大小写。

2. database名称中不要包含：/ \.''$*<>:|?

3. database名称长度不能超过64个字符。

4. collection名称可以以“_”或者字母字符开头，但是不能包含"$"符号，不能为空字符或者null，不能以“system.”开头，因为这是系统保留字。

5. document字段名不能包含“.”或者null，且不能以“$”开头，因为$是一个“引用符号”。

最后记录下json嵌套中含有列表的查询方法，样例数据：

{
    "_id" : ObjectId("5c6cc376a589c200018f7312"),
    "id" : "9472",
    "data" : {
        "name" : "测试",
        "publish_date" : "2009-05-15",
        "authors" : [ 
            {
                "author_id" : 3053,
                "author_name" : "测试数据"
            }
        ],
    }
}

我要查询authors中的author_id，query可以这样写：

db.getCollection().find({'data.authors.0.author_id': 3053})

用0来代表第一个索引，点代表嵌套结构。但是spark mongo中是不能这样导入的，需要使用别的方法。