Найти все дубликаты документов в коллекции MongoDB по ключевому полю

Предположим, что у меня есть коллекция с некоторым набором документов. что-то вроде этого.

{ "_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"}

Я хочу найти все дублированные записи в этой коллекции по полю "имя". Например. "foo" появляется дважды, а "bar" появляется 3 раза.

Ответы

Ответ 1

Примечание: это решение проще всего понять, но не лучшее.

Вы можете использовать mapReduce, чтобы узнать, сколько раз документ содержит определенное поле:

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});

Ответ 2

Принятый ответ ужасно медленный в больших коллекциях и не возвращает _id дубликатов записей.

Агрегация выполняется намного быстрее и может вернуть _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 }
]);

На первом этапе конвейера агрегации $group оператор агрегирует документы в поле name и сохраняет в uniqueIds каждое значение _id сгруппированных записей. Оператор $sum добавляет значения полей, переданных ему, в этом случае константа 1 - тем самым подсчитывая количество сгруппированных записей в count поле.

На втором этапе конвейера мы используем $match для фильтрации документов с count не менее 2, то есть дубликатов.

Затем мы сначала сортируем наиболее часто повторяющиеся дубликаты и ограничиваем результаты до лучших 10.

Этот запрос будет выводить до $limit записей с повторяющимися именами вместе со своими _id s. Например:

{
  "_id" : {
    "name" : "Toothpick"
},
  "uniqueIds" : [
    "xzuzJd2qatfJCSvkN",
    "9bpewBsKbrGBQexv4",
    "fi3Gscg9M64BQdArv",
  ],
  "count" : 3
},
{
  "_id" : {
    "name" : "Broom"
  },
  "uniqueIds" : [
    "3vwny3YEj2qBsmmhA",
    "gJeWGcuX6Wk69oFYD"
  ],
  "count" : 2
}

Ответ 3

Для общего решения Mongo см. рецепт Cookbook MongoDB для поиска дубликатов с помощью group. Обратите внимание, что агрегация выполняется быстрее и мощнее, так как она может вернуть _id дубликатов записей.

Для pymongo, принятый ответ (с использованием mapReduce) не так эффективен. Вместо этого мы можем использовать метод group:

$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);

Выход будет следующим:

Array
(
    [retval] => Array
        (
            [0] => Array
                (
                    [name] => 
                    [count] => 1
                )

            [1] => Array
                (
                    [name] => MongoDB
                    [count] => 2
                )

        )

    [count] => 3
    [keys] => 2
    [ok] => 1
)

Эквивалентный SQL-запрос будет выглядеть следующим образом: SELECT name, COUNT(name) FROM prb GROUP BY name. Обратите внимание, что нам по-прежнему нужно отфильтровать элементы с числом 0 из массива. Опять же, обратитесь к рецепту поваренной книги MongoDB для поиска дубликатов с использованием group для канонического решения с помощью group.