通过键字段查找 MongoDB 集合中的所有重复文档
Posted
技术标签:
【中文标题】通过键字段查找 MongoDB 集合中的所有重复文档【英文标题】:Find all duplicate documents in a MongoDB collection by a key field 【发布时间】:2012-03-18 12:20:00 【问题描述】:假设我有一个包含一组文档的集合。像这样的。
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":1, "name" : "foo"
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":2, "name" : "bar"
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":3, "name" : "baz"
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":4, "name" : "foo"
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":5, "name" : "bar"
"_id" : ObjectId("4f127fa55e7242718200002d"), "id":6, "name" : "bar"
我想通过“名称”字段查找此集合中的所有重复条目。例如。 "foo" 出现两次,"bar" 出现 3 次。
【问题讨论】:
要删除重复项,您可以使用this solution 【参考方案1】:注意:这个解决方案是最容易理解的,但不是最好的。
您可以使用mapReduce
找出文档包含某个字段的次数:
var map = function()
if(this.name)
emit(this.name, 1);
var reduce = function(key, values)
return Array.sum(values);
var res = db.collection.mapReduce(map, reduce, out: inline : 1);
db[res.result].find(value: $gt: 1).sort(value: -1);
【讨论】:
【参考方案2】:有关通用 Mongo 解决方案,请参阅MongoDB cookbook recipe for finding duplicates using group
。请注意,聚合更快更强大,因为它可以返回重复记录的_id
s。
对于pymongo,接受的答案(使用mapReduce)效率不高。相反,我们可以使用group 方法:
$connection = 'mongodb://localhost:27017';
$con = new Mongo($connection); // mongo db connection
$db = $con->test; // database
$collection = $db->prb; // table
$keys = array("name" => 1); Select name field, group by it
// set intial values
$initial = array("count" => 0);
// javascript function to perform
$reduce = "function (obj, prev) prev.count++; ";
$g = $collection->group($keys, $initial, $reduce);
echo "<pre>";
print_r($g);
输出将是这样的:
Array
(
[retval] => Array
(
[0] => Array
(
[name] =>
[count] => 1
)
[1] => Array
(
[name] => MongoDB
[count] => 2
)
)
[count] => 3
[keys] => 2
[ok] => 1
)
等效的 SQL 查询是:SELECT name, COUNT(name) FROM prb GROUP BY name
。请注意,我们仍然需要从数组中过滤掉计数为 0 的元素。同样,请参阅 MongoDB cookbook recipe for finding duplicates using group
以了解使用 group
的规范解决方案。
【讨论】:
MongoDB 食谱的链接已过时并返回 404。【参考方案3】:接受的答案在大型集合上非常慢,并且不返回重复记录的_id
s。
聚合速度更快,可以返回_id
s:
db.collection.aggregate([
$group:
_id: name: "$name" , // replace `name` here twice
uniqueIds: $addToSet: "$_id" ,
count: $sum: 1
,
$match:
count: $gte: 2
,
$sort : count : -1 ,
$limit : 10
]);
在聚合管道的第一阶段,$group
运算符按name
字段聚合文档,并将分组记录的每个_id
值存储在uniqueIds
中。
$sum 运算符将传递给它的字段的值相加,在本例中为常量 1
- 从而将分组记录的数量计算到 count
字段中。
在流水线的第二阶段,我们使用$match
过滤 count
至少为 2 的文档,即重复。
然后,我们首先对最频繁的重复进行排序,并将结果限制在前 10 位。
此查询将输出最多 $limit
具有重复名称的记录,以及它们的 _id
s。例如:
"_id" :
"name" : "Toothpick"
,
"uniqueIds" : [
"xzuzJd2qatfJCSvkN",
"9bpewBsKbrGBQexv4",
"fi3Gscg9M64BQdArv",
],
"count" : 3
,
"_id" :
"name" : "Broom"
,
"uniqueIds" : [
"3vwny3YEj2qBsmmhA",
"gJeWGcuX6Wk69oFYD"
],
"count" : 2
【讨论】:
要删除重复项,您可以使用this solution 现在如何使用 C# 调用它? 此解决方案是否使用密钥上的现有索引?我担心的是针对非常大的集合运行此操作,其中分组的文档可能不适合内存。 @Iravanchi 确实如此。已经有一段时间了,但我记得我的数据库大小是 5TB。 通过使用 db.getCollection(aggregation pipeline framework可用于轻松识别具有重复键值的文档:
// Desired unique index:
// db.collection.ensureIndex( firstField: 1, secondField: 1 , unique: true)
db.collection.aggregate([
$group:
_id: firstField: "$firstField", secondField: "$secondField" ,
uniqueIds: $addToSet: "$_id" ,
count: $sum: 1
,
$match:
count: $gt: 1
])
~ 参考:官方 mongo lab 博客上的有用信息:
https://blog.mlab.com/2014/03/finding-duplicate-keys-with-the-mongodb-aggregation-framework
【讨论】:
【参考方案5】:这里接受的最高答案是:
uniqueIds: $addToSet: "$_id" ,
这还会返回一个名为 uniqueIds 的新字段,其中包含一个 ID 列表。但是,如果您只想要该字段及其计数怎么办?那么它会是这样的:
db.collection.aggregate([
$group: _id: name: "$name",
count: $sum: 1 ,
$match: count: "$gt": 1
]);
为了解释这一点,如果您来自 mysql 和 PostgreSQL 等 SQL 数据库,您习惯于与 GROUP BY 语句一起使用的聚合函数(例如 COUNT()、SUM()、MIN()、MAX())例如,您要查找列值出现在表中的总计数。
SELECT COUNT(*), my_type FROM table GROUP BY my_type;
+----------+-----------------+
| COUNT(*) | my_type |
+----------+-----------------+
| 3 | Contact |
| 1 | Practice |
| 1 | Prospect |
| 1 | Task |
+----------+-----------------+
如您所见,我们的输出显示了每个 my_type 值出现的计数。要在 MongoDB 中查找重复项,我们将以类似的方式解决该问题。 MongoDB 拥有聚合操作,将来自多个文档的值组合在一起,并且可以对分组的数据执行各种操作以返回单个结果。这与 SQL 中的聚合函数的概念类似。
假设有一个名为 contacts 的集合,初始设置如下所示:
db.contacts.aggregate([ ... ]);
这个聚合函数接受一个聚合运算符数组,在我们的例子中,我们需要 $group 运算符,因为我们的目标是按字段的计数(即字段值的出现次数)对数据进行分组。
db.contacts.aggregate([
$group:
_id: name: "$name"
]);
这种方法有点奇怪。 _id 字段是使用 group by 运算符所必需的。在这种情况下,我们对 $name 字段进行分组。 _id 中的键名可以是任何名称。但我们使用名称是因为它在这里很直观。
通过仅使用 $group 运算符运行聚合,我们将获得所有名称字段的列表(无论它们在集合中出现一次还是多次):
db.contacts.aggregate([
$group:
_id: name: "$name"
]);
"_id" : "name" : "John"
"_id" : "name" : "Joan"
"_id" : "name" : "Stephen"
"_id" : "name" : "Rod"
"_id" : "name" : "Albert"
"_id" : "name" : "Amanda"
请注意上面的聚合是如何工作的。它获取带有名称字段的文档并返回提取的名称字段的新集合。
但是我们想知道的是字段值会出现多少次。 $group 运算符采用一个计数字段,该字段使用 $sum 运算符将表达式 1 添加到组中每个文档的总数中。因此,$group 和 $sum 一起返回给定字段(例如名称)产生的所有数值的总和。
db.contacts.aggregate([
$group:
_id: name: "$name",
count: $sum: 1
]);
"_id" : "name" : "John" , "count" : 1
"_id" : "name" : "Joan" , "count" : 3
"_id" : "name" : "Stephen" , "count" : 2
"_id" : "name" : "Rod" , "count" : 3
"_id" : "name" : "Albert" , "count" : 2
"_id" : "name" : "Amanda" , "count" : 1
由于目标是消除重复,因此需要一个额外的步骤。要仅获取计数大于 1 的组,我们可以使用 $match 运算符来过滤我们的结果。在 $match 运算符中,我们将告诉它查看计数字段并告诉它使用表示“大于”和数字 1 的 $gt 运算符查找大于 1 的计数。
db.contacts.aggregate([
$group: _id: name: "$name",
count: $sum: 1 ,
$match: count: "$gt": 1
]);
"_id" : "name" : "Joan" , "count" : 3
"_id" : "name" : "Stephen" , "count" : 2
"_id" : "name" : "Rod" , "count" : 3
"_id" : "name" : "Albert" , "count" : 2
附带说明,如果您通过像 Mongoid for Ruby 这样的 ORM 使用 MongoDB,您可能会收到以下错误:
The 'cursor' option is required, except for aggregate with the explain argument
这很可能意味着您的 ORM 已过期并且正在执行 MongoDB 不再支持的操作。因此,要么更新您的 ORM,要么找到修复程序。对于 Mongoid,这是对我的修复:
module Moped
class Collection
# Mongo 3.6 requires a `cursor` option be passed as part of aggregate queries. This overrides
# `Moped::Collection#aggregate` to include a cursor, which is not provided by Moped otherwise.
#
# Per the [MongoDB documentation](https://docs.mongodb.com/manual/reference/command/aggregate/):
#
# Changed in version 3.6: MongoDB 3.6 removes the use of `aggregate` command *without* the `cursor` option unless
# the command includes the `explain` option. Unless you include the `explain` option, you must specify the
# `cursor` option.
#
# To indicate a cursor with the default batch size, specify `cursor: `.
#
# To indicate a cursor with a non-default batch size, use `cursor: batchSize: <num> `.
#
def aggregate(*pipeline)
# Ordering of keys apparently matters to Mongo -- `aggregate` has to come before `cursor` here.
extract_result(session.command(aggregate: name, pipeline: pipeline.flatten, cursor: ))
end
private
def extract_result(response)
response.key?("cursor") ? response["cursor"]["firstBatch"] : response["result"]
end
end
end
【讨论】:
以上是关于通过键字段查找 MongoDB 集合中的所有重复文档的主要内容,如果未能解决你的问题,请参考以下文章
MongoDB - 查找 - 多个集合 - 结果在一个数组中