提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
1.下载地址
链接: https://www.mongodb.com/try/download/community.
提示:以下是本篇文章正文内容,下面案例可供参考
1.下载社区版 MongoDB 4.1.3 去官网下载对应的MongoDB 然后上传到Linux虚拟机
2.将压缩包解压即可
tar -zxvf MongoDB-linux-x86_64-4.1.3.tgz
3.启动
[root@node1 mongodb-linux-x86_64-4.1.3]# mkdir -p /data/db
[root@node1 mongodb-linux-x86_64-4.1.3]# ./bin/mongod
4.指定配置文件方式的启动
./bin/mongod -f mongo.conf
配置文件样例:
dbpath=/data/mongo/
port=27017
bind_ip=0.0.0.0 #监听IP地址,默认全部可以访问
fork=true #后台运行
logpath = /data/mongo/MongoDB.log
logappend = true #是否追加日志
auth=false #是开启用户密码登陆
5.mongo shell
启动mongo shell
./bin/mongo
指定主机和端口的方式启动
./bin/mongo --host=远程服务器主机IP(本机可不用指定) --port=端口
Ctrl+C就可以退出
查看数据库 show dbs;
切换数据库 如果没有对应的数据库则创建 use 数据库名;
创建集合 db.createCollection("集合名")
查看集合 show tables; show collections;
删除集合 db.集合名.drop();
删除当前数据库 db.dropDatabase();
db.lg_resume_prview.insert({name:"张3",birthday:new ISODate("2000-07-01"),expectSalary:15000,city:"beijing"})
and 条件
MongoDB 的 find() 方法可以传入多个键(key),每个键(key)以逗号隔开,即常规 SQL 的 AND 条件 db.集合名.find({key1:value1, key2:value2}).pretty()
or 条件
db.集合名.find({$or:[{key1:value1}, {key2:value2}]}).pretty()
not 条件
db.集合名.find({key:{$ not:{$操作符:value}}).pretty()
pretty()用作格式化
3.分页查询
db.集合名.find({条件}).sort({排序字段:排序方式})).skip(跳过的行数).limit(一页显示多少数据)
db.lg_resume_prview.find({expectSalary:{$gt:15000}}).sort({expectSalary:1}).skip(1).limit(2)
db.lg_resume_prview.update({expectSalary:30000},
{$set: {expectSalary:28888}},
{multi:false,upsert:false})
单目的聚合命令常用的有:count() 和 distinct()
db.lg_resume_prview.find({}).count()
/**按照city进行分组**/
db.lg_resume_preview.aggregate([{$group: { _id: "$city",city_count:{$sum: 1}}}])
/**按照city进行分组,根据薪资计算平均值**/
db.lg_resume_preview.aggregate([{$group: { _id: "$city",avg_sal:{$avg: "$expectSalary"}}}])
/**按照city进行分组,将城市名放在一个集合**/
db.lg_resume_preview.aggregate([{$group: { _id: "$city",cityName:{$addToSet: "$city"}}}])
MongoDB 中使用 db.COLLECTION_NAME.aggregate([{},…]) 方法来构建和使用聚合管道,每个文档通过一个由一个或者多个阶段(stage)组成的管道,经过一系列的处理,输出相应的结果。
MongoDB的聚合管道将MongoDB文档在一个管道处理完毕后将结果传递给下一个管道处理。管道操作
是可以重复的。
这里我们介绍一下聚合框架中常用的几个操作:
db.lg_resume_preview.aggregate( [{$group : {_id: "$city", avgSal:{$avg:"$expectSalary"}}}, {$project : {city: "$city", salary : "$avgSal"}} ])
db.lg_resume_preview.aggregate( [{$group:{_id: "$city",count:{$sum : 1}}}, {$match:{count:{$gt:1}}} ])
Pipeline查询速度快于MapReduce,但是MapReduce的强大之处在于能够在多台Server上并行执行复杂的聚合逻辑。MongoDB不允许Pipeline的单个聚合操作占用过多的系统内存,如果一个聚合操作消耗20%以上的内存,那么MongoDB直接停止操作,并向客户端输出错误消息。
MapReduce是一种计算模型,简单的说就是将大批量的工作(数据)分解(MAP)执行,然后再将结果合并成最终结果(REDUCE)。
使用 MapReduce 要实现两个函数 Map 函数和 Reduce 函数,Map 函数调用 emit(key, value), 遍历collection 中所有的记录, 将 key 与 value 传递给 Reduce 函数进行处理。
参数说明:
db.lg_resume_preview.mapReduce(
function(){emit(this.city,this.expectSalary);},
function(key,value){return Array.avg(value);},
{
query:{expectSalary:{$gt:15000}}
out:"cityAvgSal",
finalize:function(key,value){
return value-999;
}
})
db.cityAvgSal.find();
db.lg_resume_preview.createIndex(
{"name": 1}
)
db.lg_resume_preview.getIndexes()
特殊的单键索引 过期索引 TTL ( Time To Live)
TTL索引是MongoDB中一种特殊的索引, 可以支持文档在一定时间之后自动过期删除,目前TTL索引只能在单字段上建立,并且字段类型必须是日期类型。
db.集合名.createIndex({"日期字段":排序方式}, {expireAfterSeconds: 秒数})
db.集合名.createIndex( { "字段名1" : 排序方式, "字段名2" : 排序方式 } )
注意:方向(升序降序【1,-1】)和顺序(左原则)都会影响索引
针对属性包含数组数据的情况,MongoDB支持针对数组中每一个element创建索引,Multikey indexes支持strings,numbers和nested documents
针对地理空间坐标数据创建索引。
MongoDB提供了针对string内容的文本查询,Text Index支持任意属性值为string或string数组元素的索引查询。注意:一个集合仅支持最多一个Text Index,中文分词不理想 推荐ES。
也就是:one word one dream 根据这几个单词都能找到该文
db.集合.createIndex({"字段(description)": "text"})
db.集合.find({"$text": {"$search": "coffee"}})
针对属性的哈希值进行索引查询,当要使用Hashed index时,MongoDB能够自动的计算hash值,无需程序计算hash值。注:hash index仅支持等于查询,不支持范围查询。【只能对一个字段加索引,不能做组合索引】
db.集合.createIndex({"字段": "hashed"})
使用js循环 插入100万条数据 不使用索引字段 查询查看执行计划 ,然后给某个字段建立索引,使用索引字段作为查询条件 再查看执行计划进行分析
/**向lg_resume中插入100万条数据**/
for(var i=0;i<1000000;i++){
db.lg_resume.insert({id:1,name:"test"+i,salary:(Math.random()*20000).toFixed(2)});
}
db.lg_resume.count()
1、queryPlanner 默认参数
需要记住
参数 | 含义 |
---|---|
namespace | 要查询的集合(该值返回的是该query所查询的表)数据库.集合 |
winningPlan.stage | 被选中执行计划的stage(查询方式),常见的有:COLLSCAN/全表扫描:(应该知道就是CollectionScan,就是所谓的“集合扫描”, 和mysql中table scan/heap scan类似,这个就是所谓的性能最烂最无奈的由来)、IXSCAN/索引扫描:(是IndexScan,这就说明我们已经命中索引了)、FETCH/根据索引去检索文档、SHARD_MERGE/合并分片结果、IDHACK/针对_id进行查询等 |
winningPlan.isMultiKey | 是否是Multikey,此处返回是false,如果索引建立在array上,此处将是true。 |
winningPlan.direction | 此query的查询顺序,此处是forward,如果用了.sort({字段:-1})将显示backward。 |
winningPlan.indexBounds | winningplan所扫描的索引范围,如果没有制定范围就是[MaxKey,MinKey],这主要是直接定位到mongodb的chunck中去查找数据,加快数据读取。 |
.2、executionStats参数
参数 | 参数 |
---|---|
executionSuccess | 是否执行成功 |
nReturned | 返回的文档数 |
executionTimeMillis | 执行耗时 |
totalKeysExamined | 索引扫描次数 |
totalDocsExamined | 文档扫描次数 |
executionStages | 这个分类下描述执行的状态 |
stage | 扫描方式,具体可选值与上文的相同 |
nReturned | 查询结果数量 |
executionTimeMillisEstimate | 检索document获得数据的时间 |
works | 工作单元数,一个查询会分解成小的工作单元 |
advanced | 优先返回的结果数 |
docsExamined | 文档检查数目,与totalDocsExamined一致。检查了总共的document 个数,而从返回上面的nReturned数量 |
3、executionStats返回逐层分析
4、慢查询分析
MongoDB使用B-树,所有节点都有Data域,只要找到指定索引就可以进行访问,
单次查询从结构上来看要快于MySql。
B-树的特点:
(1) 多路 非二叉树
(2) 每个节点 既保存数据 又保存索引
(3) 搜索时 相当于二分查找
Mysql B+树是B-树的变种
B+ 树的特点:
(1) 多路非二叉
(2) 只有叶子节点保存数据
(3) 搜索时 也相当于二分查找
(4) 增加了 相邻节点指针
MongoDB和MySql的差别
(1)B+树相邻接点的指针可以大大增加区间访问性,可使用在范围查询等,而B-树每个节点 key 和data 在一起 适合随机读写 ,而区间查找效率很差。
(2)B+树更适合外部存储,也就是磁盘存储,使用B-结构的话,每次磁盘预读中的很多数据是用不上的数据。因此,它没能利用好磁盘预读的提供的数据。由于节点内无 data 域,每个节点能索引的范围更大更精确。
(3)注意这个区别相当重要,是基于(1)(2)的,B-树每个节点即保存数据又保存索引 树的深度小,所以磁盘IO的次数很少,B+树只有叶子节点保存,较B树而言深度大磁盘IO多,但是区间访问比较好。
1.dependency
<dependency>
<groupId>org.mongodbgroupId>
<artifactId>mongo-java-driverartifactId>
<version>3.10.1version>
dependency>
2.java
MongoClient mongoClient = new MongoClient("192.168.142.128:27017");
MongoDatabase mongoDatabase = mongoClient.getDatabase("lg_resume");
MongoCollection<Document> collection = mongoDatabase.getCollection("lg_resume_preview");
Document document = new Document();
document.append("expectSalary", -1);
//查找迭代的对象,根据expectSalary降序排序
// FindIterable documents = collection.find(Document.parse("{expectSalary:{$gt:21000}}")).sort(document);
FindIterable<Document> documents = collection.find(Filters.gt("expectSalary", 20000)).sort(document);
for (Document document1 : documents) {
System.out.println(document1);
}
mongoClient.close();
1.applicationContext.xml
<beans xmlns="http://www.springframework.org/schema/beans"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:context="http://www.springframework.org/schema/context" xmlns:mongo="http://www.springframework.org/schema/data/mongo"
xsi:schemaLocation="
http://www.springframework.org/schema/beans http://www.springframework.org/schema/beans/spring-beans.xsd
http://www.springframework.org/schema/context http://www.springframework.org/schema/context/spring-context.xsd
http://www.springframework.org/schema/data/mongo http://www.springframework.org/schema/data/mongo/spring-mongo.xsd">
<mongo:db-factory id="mongoDbFactory" client-uri="mongodb://192.168.142.128:27017/lg_resume">mongo:db-factory>
<bean id="mongoTemplate" class="org.springframework.data.mongodb.core.MongoTemplate">
<constructor-arg index="0" ref="mongoDbFactory">constructor-arg>
bean>
<context:component-scan base-package="com.qch">context:component-scan>
beans>
2.Dao
public interface ResumeDao {
void insertResume(Resume resume);
List<Resume> findByNameAndSa(String name,double expectSalary);
}
@Repository("resumeDao")
public class ResumeDaoImpl implements ResumeDao {
@Autowired
private MongoTemplate mongoTemplate;
public void insertResume(Resume resume) {
mongoTemplate.insert(resume,"lg_resume_preview");
}
public List<Resume> findByNameAndSa(String name, double expectSalary) {
Query query=new Query();
query.addCriteria(Criteria.where("name").is(name).andOperator(Criteria.where("expectSalary").gt(expectSalary)));
List<Resume> list = mongoTemplate.find(query,Resume.class,dbtable);
return list;
}
}
3.测试类
public static void main(String[] args) throws ParseException {
//构建spring 容器
ClassPathXmlApplicationContext applicationContext=new ClassPathXmlApplicationContext("applicationContext.xml");
ResumeDao resumeDao=applicationContext.getBean("resumeDao",ResumeDao.class);
Resume resume=new Resume();
resume.setName("qq");
String daf="yyyy-MM-dd hh:mm:ss";
SimpleDateFormat simpleDateFormat=new SimpleDateFormat(daf);
Date parse = simpleDateFormat.parse("2021-09-30 12:34:11");
resume.setBirthday(parse);
resume.setCity("南京");
resume.setExpectSalary(18000);
resumeDao.insertResume(resume);
}
1.application.properties
spring.data.mongodb.host=192.168.142.128
spring.data.mongodb.port=27017
spring.data.mongodb.database=lg_resume
2.repository
@Document("lg_resume_preview")
public class Resume
public interface ResumeRepository extends MongoRepository<Resume,String>{
List<Resume> findByNameEquals(String name);
}
内嵌( 应用场景:数据对象之间有包含关系,数据对象之间有一对多或者一对一的关系)
内嵌的方式指的是把相关联的数据保存在同一个文档结构之中。MongoDB的文档结构允许一个字段或者一个数组内的值作为一个嵌套的文档。
引用(应用场景:当内嵌数据会导致很多数据的重复,表达比较复杂的多对多关系)
引用方式通过存储数据引用信息来实现两个不同文档之间的关联,应用程序可以通过解析这些数据引用来访问相关数据。
存储引擎是MongoDB的核心组件,负责管理数据如何存储在硬盘和内存上。MongoDB支持的存储引擎有 MMAPv1 ,WiredTiger和InMemory(适合数据不持久化,用于缓存)
WiredTiger的写操作会默认写入 Cache ,并持久化到 WAL (Write Ahead Log),每60s或Log文件达到2G做一次 checkpoint (当然我们也可以通过在写入时传入 j: true 的参数强制 journal 文件的同步 ,writeConcern { w: , j: , wtimeout: }) 产生快照文件。WiredTiger初始化时,恢复至最新的快照状态,然后再根据WAL恢复数据,保证数据的完整性。
checkpoint流程
1.对所有的table进行一次checkpoint,每个table的checkpoint的元数据更新至WiredTiger.wt
2.对WiredTiger.wt进行checkpoint,将该table checkpoint的元数据更新至临时文件 WiredTiger.turtle.set
3.将WiredTiger.turtle.set重命名为WiredTiger.turtle。
4.上述过程如果中间失败,WiredTiger在下次连接初始化时,首先将数据恢复至最新的快照状态,然后根 据WAL恢复数据,以保证存储可靠性。
Journaling
在数据库宕机时 , 为保证 MongoDB 中数据的持久性,MongoDB 使用了 Write Ahead Logging 向磁盘上的 journal 文件预先进行写入。除了 journal 日志,MongoDB 还使用检查点(checkpoint)来保证数据的一致性,当数据库发生宕机时,我们就需要 checkpoint 和 journal 文件协作完成数据的恢复工作。
主从结构没有自动故障转移功能,需要指定master和slave端,不推荐在生产中使用。
复制集是由一组拥有相同数据集的mongod实例做组成的集群。 复制集是一个集群,它是2台及2台以上的服务器组成,以及复制集成员包括Primary主节点,secondary从 节点和投票节点。
复制集提供了数据的冗余备份,并在多个服务器上存储数据副本,提高了数据的可用性,保证数据的安全性。
1.采用复制集的原因
oplog 具有幂等性,即无论执行几次其结果一致,这个比 mysql 的二进制日志更好用。
oplog的组成结构
复制集数据同步分为初始化同步和keep复制同步。初始化同步指全量从主节点同步数据,如果Primary节点数据量比较大同步时间会比较长。而keep复制指初始化同步过后,节点之间的实时同步一般是增量同步。
初始化同步有以下两种情况会触发:
(1) Secondary第一次加入。
(2) Secondary落后的数据量超过了oplog的大小,这样也会被全量复制。
MongoDB的Primary节点选举基于心跳触发。一个复制集N个节点中的任意两个节点维持心跳,每个节点维护其他N-1个节点的状态。
主节点选举触发的时机:
当触发选举时,Secondary节点尝试将自身选举为Primary。主节点选举是一个二阶段过程+多数派协
议。
[root@node1 mongodb-linux-x86_64-4.1.3]# mkdir /data/mongo/data/server1 -p
[root@node1 mongodb-linux-x86_64-4.1.3]# mkdir /data/mongo/data/server2 -p
[root@node1 mongodb-linux-x86_64-4.1.3]# mkdir /data/mongo/data/server3 -p
[root@node1 mongodb-linux-x86_64-4.1.3]# mkdir /data/mongo/logs -p
[root@node1 mongodb-linux-x86_64-4.1.3]# cp mongo_37017.conf mongo_37018.conf
2.主节点配置 mongo_37017.conf
# 主节点配置
dbpath=/data/mongo/data/server1
bind_ip=0.0.0.0 port=37017
fork=true
logpath=/data/mongo/logs/server1.log
replSet=lagouCluster
从节点同上
3.进入其中一台客户端进行配置
[root@node1 mongodb-linux-x86_64-4.1.3]# ./bin/mongo --port 37017
var cfg ={"_id":"lagouCluster", "protocolVersion" : 1, "members":[ {"_id":1,"host":"192.168.142.128:37017","priority":10}, {"_id":2,"host":"192.168.142.128:37018"} ] }
rs.initiate(cfg)
rs.status()
4.节点的动态增删
增加节点
rs.add("192.168.211.133:37019")
删除slave 节点
rs.remove("192.168.211.133:37019")
5.从节点读数据设置
lagouCluster:SECONDARY> rs.slaveOk()
6.仲裁节点
必须再主节点上设置
// 重新装载配置,并重新生成集群节点。
rs.reconfig(cfg)
或者以动态增加节点的方式
注入节点 执行 rs.addArb("IP:端口");
rs.addArb("192.168.211.133:37020")
2.分片策略
范围分片(Range based sharding)
范围分片是基于分片主键的值切分数据,每一个区块将会分配到一个范围。
范围分片适合满足在一定范围内的查找,例如查找X的值在[20,30)之间的数据,mongo 路由根据Config server中存储的元数据,可以直接定位到指定的shard的Chunk中。
缺点: 如果shard key有明显递增(或者递减)趋势,则新插入的文档多会分布到同一个chunk,无法扩展写的能力。【导致热块-》5000个用户都用到这个值】
hash分片(Hash based sharding)
相邻的值不一定再一个块
缺点:查询费劲
优化:
组合片键 A + B(散列思想,不能是直接hash)
数据库中没有比较合适的片键供选择,或者是打算使用的片键基数太小(即变化少如星期只有7天可变化),可以选另一个字段使用组合片键,甚至可以添加冗余字段来组合。一般是粗粒度+细粒度进行组合。【A控制shard,B控制chunk】
1.配置 并启动config 节点集群(3个)
# 数据库文件位置
dbpath=config/config1
#日志文件位置
logpath=config/logs/config1.log
# 以追加方式写入日志
logappend=true
# 是否以守护进程方式运行
fork = true
bind_ip=0.0.0.0
port = 17017
# 表示是一个配置服务器
configsvr=true
#配置服务器副本集名称
replSet=configsvr
启动配置节点
./bin/mongod -f config/config-17017.conf
./bin/mongod -f config/config-17018.conf
./bin/mongod -f config/config-17019.conf
进入任意节点的mongo shell 并添加 配置节点集群 注意use admin
./bin/mongo --port 17017
use admin
var cfg ={"_id":"configsvr", "members":[ {"_id":1,"host":"192.168.142.128:17017"}, {"_id":2,"host":"192.168.142.128:17018"}, {"_id":3,"host":"192.168.142.128:17019"}] };
rs.initiate(cfg)
rs.reconfig(cfg)
2.配置shard集群
shard1集群搭建37017到37019
dbpath=shard/shard1/shard1-37017
bind_ip=0.0.0.0
port=37017
fork=true
logpath=shard/shard1/shard1-37017.log
replSet=shard1
shardsvr=true
启动每个mongod 然后进入其中一个进行集群配置
var cfg ={"_id":"shard1", "protocolVersion" : 1, "members":[ {"_id":1,"host":"192.168.142.128:37017"}, {"_id":2,"host":"192.168.142.128:37018"}, {"_id":3,"host":"192.168.142.128:37019"} ,
{"_id":4,"host":"192.168.211.133:37020","arbiterOnly":true}]};
rs.initiate(cfg)
rs.status()
rs.addArb("192.168.211.133:37020")
var cfg ={"_id":"shard2", "protocolVersion" : 1, "members":[ {"_id":1,"host":"192.168.142.128:47017"}, {"_id":2,"host":"192.168.142.128:47018"}, {"_id":3,"host":"192.168.142.128:47019"} ]};
补充:仲裁节点
有仲裁节点复制集搭建
和上面的配置步骤相同 只是增加了 一个特殊的仲裁节点
注入节点 执行 rs.addArb(“IP:端口”);
rs.addArb(“192.168.211.133:37020”)
3.配置和启动 路由节点
/route/route-27017.conf
port=27017
bind_ip=0.0.0.0
fork=true
logpath=route/logs/route.log configdb=configsvr/192.168.142.128:17017,192.168.142.128:17018,192.168.142.128:17019
[root@node1 mongo_shard_cluster]# ./bin/mongos -f route/route-27017.conf
mongos(路由)中添加分片节点
进入路由mongos
mongos> sh.status()
sh.addShard("shard1/192.168.142.128:37017,192.168.142.128:37018,192.168.142.128:37019"); sh.addShard("shard2/192.168.142.128:47017,192.168.142.128:47018,192.168.142.128:47019");
开启数据库和集合分片(指定片键)
继续使用mongos完成分片开启和分片大小设置
为数据库开启分片功能
sh.enableSharding("lagou_resume")
为指定集合开启分片功能 sh.shardCollection("lagou_resume.lagou_resume_datas",{"片键字段名如 name":索引说 明})
sh.shardCollection(“lagou_resume.lagou_resume_datas”,{“name”:“hashed”})
4.向集合中插入数据测试
use lagou_resume;
for(var i=1;i<= 1000;i++){ db.lagou_resume_datas.insert({"name":"test"+i, salary:(Math.random()*20000).toFixed(2)}); }
shard2:PRIMARY> db.createUser({user:"myroot",pwd:"123",roles:[{role:"root",db:"laagou_resume"}]});
2021-04-22T12:42:05.726+0800 E QUERY [js] Error: couldn't add user: No role named root@laagou_resume :
_getErrorWithCode@src/mongo/shell/utils.js:25:13
DB.prototype.createUser@src/mongo/shell/db.js:1408:15
@(shell):1:1
shard2:PRIMARY> db.createUser({user:"myroot",pwd:"123",roles:[{role:"root",db:"admin"}]})
Successfully added user: {
"user" : "myroot",
"roles" : [
{
"role" : "root",
"db" : "admin"
}
]
}
user:创建的用户名称,如 admin、root 、lagou
pwd:用户登录的密码
roles:为用户分配的角色,不同的角色拥有不同的权限,参数是数组,可以同时设置多个
role:角色,MonngoDB 已经约定好的角色,不同的角色对应不同的权限 后面会对role做详细解释
db:数据库实例名称,如 MongoDB 4.0.2 默认自带的有 admin、local、config、test 等,即为哪个数据库实例 设置用户
7.1.2 修改密码
db.changeUserPassword( ‘root’ , ‘rootNew’ );
7.1.3 用户添加角色
db.grantRolesToUser( ‘用户名’ , [{ role: ‘角色名’ , db: ‘数据库名’}])
7.1.4 以auth 方向启动mongod
./bin/mongod -f conf/mongo.conf --auth
(也可以在mongo.conf 中添加auth=true 参数)
7.1.5 验证用户
db.auth(“账号”,“密码”)
7.1…删除用户
db.dropUser(“用户名”)
>use admin
switched to db admin
> db.createUser( {user:"root",pwd:"123456", roles:[{role:"root",db:"admin"}] })
如下所示,为 lg_resume数据库创建了两个用户,zhangsan 拥有读写权限,lisi 拥有只读权限,密码都是 123456.
> use lg_resume
switched to db lg_resume
> db.createUser({user:"zhangsan",pwd:"123456",roles:[{role:"readWrite",db:"lg_resume"}]})
> db.createUser({user:"lisi",pwd:"123456",roles:[{role:"readWrite",db:"lg_resume"}]})
> use admin
switched to db admin
> db.auth("root","123456")
1.开启安全认证之前 进入路由创建管理员和普通用户
mongos> use admin
switched to db admin
mongos> db.createUser({user:"root",pwd:"123456", roles:[{role:"root",db:"admin"}]})
Successfully added user: {
"user" : "root",
"roles" : [
{
"role" : "root",
"db" : "admin"
}
]
}
mongos> use lg_resume
switched to db lg_resume
mongos> db.createUser({user:"lagou_gx",pwd:"abc321",roles:[{role:"readWrite",db:"lg_resume"}]})
Successfully added user: {
"user" : "lagou_gx",
"roles" : [
{
"role" : "readWrite",
"db" : "lg_resume"
}
]
}
2.关闭所有的配置节点 分片节点 和 路由节点
#安装psmisc
yum install psmisc
#安装完之后可以使用killall 命令 快速关闭多个进程
killall mongod
3.生成密钥文件 并修改权限
openssl rand -base64 756 > data/mongodb/testKeyFile.file
chmod 600 data/mongodb/keyfile/testKeyFile.file
4.配置节点集群和分片节点集群开启安全认证和指定密钥文件
auth=true
keyFile=data/mongodb/testKeyFile.file
5.在路由配置文件中 设置密钥文件
keyFile=data/mongodb/testKeyFile.file
6.启动所有的配置节点 分片节点 和 路由节点 使用路由进行权限验证
可以编写一个shell 脚本 批量启动
./bin/mongod -f config/config-17017.conf
./bin/mongod -f config/config-17018.conf
./bin/mongod -f config/config-17019.conf
./bin/mongod -f shard/shard1/shard1-37017.conf
./bin/mongod -f shard/shard1/shard1-37018.conf
./bin/mongod -f shard/shard1/shard1-37019.conf
./bin/mongod -f shard/shard2/shard2-47017.conf
./bin/mongod -f shard/shard2/shard2-47018.conf
./bin/mongod -f shard/shard2/shard2-47019.conf
./bin/mongos -f route/route-27017.conf
加执行权限
[root@node1 mongo_shard_cluster]# vi startup.sh
[root@node1 mongo_shard_cluster]# chmod +x startup.sh
执行命令
[root@node1 mongo_shard_cluster]# ./startup.sh
7.Spring boot 连接安全认证的分片集群
spring.data.mongodb.host=192.168.142.128
spring.data.mongodb.port=27017
spring.data.mongodb.database=lagou_resume
spring.data.mongodb.username=zhangsan
spring.data.mongodb.password=123456
#spring.data.mongodb.uri=mongodb://账号:密码@IP:端口/数据库名
root超级管理员权限不可用
提示:这里对文章进行总结:
例如:以上就是今天要讲的内容,本文仅仅简单介绍了pandas的使用,而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。