如何索引 PyMongo 中已知字段的未知字段?
Posted
技术标签:
【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)?
【问题讨论】:
【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。以上是关于如何索引 PyMongo 中已知字段的未知字段?的主要内容,如果未能解决你的问题,请参考以下文章