从 MongoDB 中删除重复项

Question

嗨，我在 mongodb（复制）中有大约 500 万个文档，每个文档有 43 个字段。如何删除重复文档。我试过了

db.testkdd.ensureIndex({
        duration  : 1 , protocol_type  : 1 , service  : 1 ,
        flag  : 1 , src_bytes  : 1 , dst_bytes  : 1 ,
        land  : 1 , wrong_fragment  : 1 , urgent  : 1 ,
        hot  : 1 , num_failed_logins  : 1 , logged_in  : 1 ,
        num_compromised  : 1 , root_shell  : 1 , su_attempted  : 1 ,
        num_root  : 1 , num_file_creations  : 1 , num_shells  : 1 ,
        num_access_files  : 1 , num_outbound_cmds  : 1 , is_host_login  : 1 ,
        is_guest_login  : 1 , count  : 1 ,  srv_count  : 1 ,
        serror_rate  : 1 , srv_serror_rate  : 1 , rerror_rate  : 1 ,
        srv_rerror_rate  : 1 , same_srv_rate  : 1 , diff_srv_rate  : 1 ,
        srv_diff_host_rate  : 1 , dst_host_count  : 1 , dst_host_srv_count  : 1 ,
        dst_host_same_srv_rate  : 1 , dst_host_diff_srv_rate  : 1 ,
        dst_host_same_src_port_rate  : 1 ,  dst_host_srv_diff_host_rate  : 1 ,
        dst_host_serror_rate  : 1 , dst_host_srv_serror_rate  : 1 ,
        dst_host_rerror_rate  : 1 , dst_host_srv_rerror_rate  : 1 , lable  : 1 
    },
    {unique: true, dropDups: true}
)

运行此代码出现错误 "errmsg"：“从索引生成的命名空间名称 ..

{
    "ok" : 0,
    "errmsg" : "namespace name generated from index name \"project.testkdd.$duration_1_protocol_type_1_service_1_flag_1_src_bytes_1_dst_bytes_1_land_1_wrong_fragment_1_urgent_1_hot_1_num_failed_logins_1_logged_in_1_num_compromised_1_root_shell_1_su_attempted_1_num_root_1_num_file_creations_1_num_shells_1_num_access_files_1_num_outbound_cmds_1_is_host_login_1_is_guest_login_1_count_1_srv_count_1_serror_rate_1_srv_serror_rate_1_rerror_rate_1_srv_rerror_rate_1_same_srv_rate_1_diff_srv_rate_1_srv_diff_host_rate_1_dst_host_count_1_dst_host_srv_count_1_dst_host_same_srv_rate_1_dst_host_diff_srv_rate_1_dst_host_same_src_port_rate_1_dst_host_srv_diff_host_rate_1_dst_host_serror_rate_1_dst_host_srv_serror_rate_1_dst_host_rerror_rate_1_dst_host_srv_rerror_rate_1_lable_1\" is too long (127 byte max)",
    "code" : 67
}

如何解决问题？

Answer 1

从 MongoDB 2.6 和 removed in MongoDB 3.0 开始，用于创建索引的 "dropDups" 语法已变为 "deprecated"。在大多数情况下使用它不是一个好主意，因为 "removal" 是任意的，任何 "duplicate" 都可以删除。这意味着 "removed" 可能不是您真正想要删除的内容。

无论如何，您运行会陷入 "index length" 错误，因为此处索引键的值会比允许的更长。一般来说，你不是"meant"在任何正常的应用程序中索引43个字段。

如果要从集合中删除 "duplicates"，那么最好的办法是运行聚合查询以确定哪些文档包含 "duplicate" 数据，然后循环遍历该列表从目标集合中删除 "all but one" 个已经 "unique" _id 个值。这可以通过 "Bulk" 操作来实现，以获得最大效率。

注意：我确实很难相信您的文档实际上包含 43 个 "unique" 字段。很可能"all you need"只是简单地识别只有那些使文档"unique"的字段，然后按照流程如下所述：

var bulk = db.testkdd.initializeOrderedBulkOp(),
    count = 0;

// List "all" fields that make a document "unique" in the `_id`
// I am only listing some for example purposes to follow
db.testkdd.aggregate([
    { "$group": {
        "_id": {
           "duration" : "$duration",
          "protocol_type": "$protocol_type", 
          "service": "$service",
          "flag": "$flag"
        },
        "ids": { "$push": "$_id" },
        "count": { "$sum": 1 }
    }},
    { "$match": { "count": { "$gt": 1 } } }
],{ "allowDiskUse": true}).forEach(function(doc) {
    doc.ids.shift();     // remove first match
    bulk.find({ "_id": { "$in": doc.ids } }).remove();  // removes all $in list
    count++;

    // Execute 1 in 1000 and re-init
    if ( count % 1000 == 0 ) {
       bulk.execute();
       bulk = db.testkdd.initializeOrderedBulkOp();
    }
});

if ( count % 1000 != 0 ) 
    bulk.execute();

如果您的 MongoDB 版本 "lower" 高于 2.6，并且没有批量操作，那么您也可以尝试在循环内使用标准 .remove()。还要注意 .aggregate() 不会 return 此处的光标并且循环必须更改为：

db.testkdd.aggregate([
   // pipeline as above
]).result.forEach(function(doc) {
    doc.ids.shift();  
    db.testkdd.remove({ "_id": { "$in": doc.ids } });
});

但请务必仔细查看您的文档，并且仅包含 "just" 您希望属于分组 _id 的 "unique" 字段。否则你最终什么都不会删除，因为那里没有重复项。

从 MongoDB 中删除重复项

Remove Duplicates from MongoDB

mapreduce

mongodb

mongodb-query

aggregation-framework