如何索引 PyMongo 中已知字段的未知字段？

Posted 2023-03-16

【中文标题】如何索引 PyMongo 中已知字段的未知字段？

【英文标题】：How to index unknown fields of a known field in PyMongo?

【发布时间】：2019-05-22 09:13:48

【问题描述】：

我正在尝试在数百万条推文中找到唯一的单词，并且我想保留每个单词出现的位置。除此之外，我还按它们的首字母对单词进行分组。这是一个示例代码：

from pymongo import UpdateOne
# connect to db stuff
for word in words: # this is actually not the real loop I've used but it fits for this example
    # assume tweet_id's and position is calculated here
    initial = word[0]
    ret = "tweet_id": tweet_id, "pos": (beg, end) # additional information about word
    command = UpdateOne("initial": initial, "$inc": "count": 1, "$push": "words.%s" % word: ret, upsert=True)
    commands.append(command)
    if len(commands) % 1000 == 0:
        db.tweet_words.bulk_write(commands, ordered=False)
        commands = []

但是，分析所有这些推文的速度很慢。我猜我的问题是因为我没有在 words 字段上使用索引。

这是一个文档的示例输出：

    initial: "t"
    count: 3,
    words: 
        "the": ["tweet_id": <some-tweet-id>, "pos": (2, 5), 
                "tweet_id": <some-other-tweet-id>, "pos": (9, 12)]
        "turkish": ["tweet_id": <some-tweet-id>, "pos": (5, 11)]
    

我尝试使用以下代码创建索引（不成功）：

db.tweet_words.create_index([("words.$**", pymongo.TEXT)])

或

db.tweet_words.create_index([("words", pymongo.HASHED)])

我遇到了 add index fails, too many indexes for twitter.tweet_words 或 key too large to index 之类的错误。有没有办法用索引做到这一点？还是应该改变我的方法来解决问题（也许重新设计数据库）？

【参考方案1】：

要被索引，您需要将动态数据保存在对象的值中，而不是键中。所以我建议你修改你的架构，使其看起来像：

    initial: "t"
    count: 3,
    words: [
        value: "the", tweets: ["tweet_id": <some-tweet-id>, "pos": (2, 5), 
                                "tweet_id": <some-other-tweet-id>, "pos": (9, 12)],
        value: "turkish", tweets: ["tweet_id": <some-tweet-id>, "pos": (5, 11)]
    ]

然后您可以将其索引为：

db.tweet_words.create_index([("words.value", pymongo.TEXT)])

【讨论】：

感谢您的回答。但是，我对此还有一个问题。在不久的将来，我想得到一个以字母t 开头的单词列表。如何在没有任何开销的情况下完成此查询？目前，我可以用这个来查询这些词：cur = db.tweet_words.find("initial": initial) 和 words = list(next(cur)["words"]) 代码有点乱，但希望你能明白主要意思。

@TalhaÇolakoğlu 最好将其作为一个新问题发布。

不确定这是否也需要一个新帖子，但这里是：要完成您提到的架构，我应该如何更改当前的更新命令？

@TalhaÇolakoğlu 是的，任何重要的后续问题都应该是一个新帖子。