从MongoDB中删除副本

Question

嗨，我有一个~ 500万个文档在mongodb(复制)每个文档43个字段。如何删除重复的文件。如何提问

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}
)

运行这段代码，我得到一个错误"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
}

如何解决这个问题?

Answer 1

用于创建索引的" dropdup "语法在MongoDB 2.6中已被"弃用"，并在MongoDB 3.0中删除。在大多数情况下，使用它并不是一个很好的主意，因为"删除"是任意的，任何"重复"都可以被删除。这意味着被"删除"的东西可能不是你真正想要删除的。

无论如何，您将遇到"索引长度"错误，因为这里的索引键值将比允许的更长。一般来说，在任何正常的应用程序中，您都不"意味着"索引43个字段。

如果您想从集合中删除"重复"，那么您最好的选择是运行聚合查询以确定哪些文档包含"重复"数据，然后循环遍历该列表，从目标集合中删除"除了一个"之外的所有已经"唯一"的_id值。这可以通过"批量"操作来实现，以获得最大的效率。

注:我确实很难相信你的文档实际上包含43个"唯一"字段。很可能"您所需要的"只是简单地识别仅那些使文档"唯一"的字段，然后按照下面概述的过程:

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();

如果你的MongoDB版本"低于"2.6并且没有批量操作，那么你可以尝试在循环内使用标准.remove()。还需要注意的是，.aggregate()不会在这里返回游标，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 } });
});

但是一定要仔细查看您的文档，并且只包括您希望成为_id分组的一部分的"唯一"字段。否则，您最终什么也没有删除，因为那里没有重复项。