管道操作删除 MongoDB 重复数据

前言

由于 MongoDB 约束性比较小，所以有时候数据库中会有很多重复的数据，特别是爬虫的数据。文档数量一旦达到一定数据量级，为了保证新插入的数据不重复，如果每次使用 update 操作感觉有点慢，倒不如一次性 insert 然后最后在使用 pipline 管道操作去重重复数据，感觉会快些，但是我没有测试过，有兴趣的童鞋可以做个测试比较一下。

MongoDB 数据情况

数据库存在重复数据，如下：

/* 1 */
{
    "_id" : ObjectId("5dbaf3939642fb9adcad453c"),
    "username" : "王五",
    "area" : "上海"
}

/* 2 */
{
    "_id" : ObjectId("5dbaf3a19642fb9adcad4549"),
    "username" : "赵四",
    "area" : "北京"
}

/* 3 */
{
    "_id" : ObjectId("5dbaf3b89642fb9adcad4556"),
    "username" : "马六",
    "area" : "北京"
}

/* 4 */
{
    "_id" : ObjectId("5dbaf3b89642fb9adcad4556"),
    "username" : "马六",
    "area" : "北京"
}

管道操作清洗重复数据

MongoDB Bash 命令：

db.getCollection('users').aggregate([
    {
        $group: { _id: {username: '$username', username: '$area'},count: {$sum: 1},dups: {$addToSet: '$_id'}}
    },
    {
        $match: {count: {$gt: 1}}
    }
], 
{allowDiskUse: true}).forEach(function(doc){
    doc.dups.shift();
    db['users'].remove({_id: {$in: doc.dups}});
})

Python3 代码：

from pymongo import MongoClient, DeleteOne

MONGODB_URL = 'mongodb://localhost:27017'

col = MongoClient(MONGODB_URL)['test']['users']
pipeline = [
    {
        '$group': {
            '_id': {'username': '$username', 'area': 'area'},
            'count': {'$sum': 1},
            'dups': {'$addToSet': '$_id'}
        }
    },
    {
        '$match': {
            'count': {'$gt': 1}
        }
    }
]

map_id = map(lambda doc: doc['dups'][1:], col.aggregate(pipeline=pipeline, allowDiskUse=True))
list_id = [item for sublist in map_id for item in sublist]
print(col.bulk_write(list(map(lambda _id: DeleteOne({'_id': _id}), list_id))).bulk_api_result)

参考文章

http://forum.foxera.com/mongodb/topic/967/mongodb%E5%A6%82%E4%BD%95%E5%B0%86%E9%87%8D%E5%A4%8D%E7%9A%84%E6%95%B0%E6%8D%AE%E5%88%A0%E9%99%A4