使用aggregate在MongoDB中查询重复数据记录的方法

mongodb中聚合(aggregate)主要用于处理数据(诸如统计平均值,求和等)，并返回计算后的数据结果。有点类似sql语句中的 count(*)。

aggregate() 方法

mongodb中聚合的方法使用aggregate()。

语法

aggregate() 方法的基本语法格式如下所示：

>db.collection_name.aggregate(aggregate_operation)

我们知道，mongodb属于文档型数据库，其存储的文档类型都是json对象。正是由于这一特性，我们在node.js中会经常使用mongodb进行数据的存取。但由于node.js是异步执行的，这就导致我们无法保证每一次的数据库save操作都是原子型的。也就是说，如果客户端连续两次发起同一事件将数据存入数据库，很可能会导致数据被重复保存。高并发的情况下，哪怕是你在代码中已经做了非常严格的校验，例如插入数据前判断要保存的数据是否已经存在，但仍然有可能会出现数据被重复保存的风险。因为在异步执行中，你没有办法保证哪个线程先执行，哪个线程后执行，客户端发起的所有请求并非按我们想象的都是顺序执行的。一个较好的解决办法是在mongo数据库的所有表中创建唯一索引。事实上，mongodb默认会为所有表创建一个_id字段的唯一索引（可以取消）。如果你想在node.js中通过mongoose.schema来自动创建索引，可以参考下面的代码：

var mongoose = require('mongoose');
var schema = mongoose.schema;
var customerschema = new mongoose.schema({
cname: string,
cellphone, string,
sender: string,
tag: string,
behaviour: number,
createtime: {
type: date,
default: date.now
},
current:{
type: boolean,
default: true
}
}, {
versionkey: false
});
customerschema.index({cname:1,cellphone:1,sender:1,tag:1,behaviour:1}, {unique: true});module.exports = mongoose.model('customer', customerschema); 

　　上面的model中我们定义了表customer的结构，并通过index()方法在字段cname，cellphone，sender，tag，behaviour上创建了唯一索引，这样当包含这些字段的重复数据被插入时，数据库会抛出异常。借用mongoose，如果数据库表之前已经被创建并且程序正在运行中，当我们修改model并添加索引，然后重新启动app，只要有对该model的访问，mongoose会自动进行检测并创建索引。当然，如果数据出现重复，则索引创建会失败。此时我们可以通过在创建索引时添加dropdups选项，让数据库自动将重复的数据删除，如：

customerschema.index({cname:1,cellphone:1,sender:1,tag:1,behaviour:1}, {unique: true, dropdups: true});

　　不过据mongodb的官方说明，自3.0以后的版本不再使用该选项，而且也并没有提供替代的解决办法。貌似官方不再提供创建索引时自动删除重复记录的功能。那如何才能快速有效地找出重复的记录并且删除呢？首先我们要找出这些记录，然后通过remove()方法进行删除。下面的查询语句可以找出给定字段有重复数据的记录：

db.collection.aggregate([
{ $group: { 
_id: { firstfield: "$firstfield", secondfield: "$secondfield" }, 
uniqueids: { $addtoset: "$_id" },
count: { $sum: 1 } 
}}, 
{ $match: { 
count: { $gt: 1 } 
}}
]) 

　　替换_id属性的值以指定你想要进行判断的字段。相应地，在node.js中代码如下：

var deferred = q.defer();
var group = { firstfield: "$firstfield", secondfield: "$secondfield"};
model.aggregate().group({
_id: group,
uniqueids: {$addtoset: '$_id'},
count: {$sum: 1}
}).match({ count: {$gt: 1}}).exec(deferred.makenoderesolver());
return deferred.promise; 

上述代码使用了q来替换函数执行中的回调。在node.js的异步编程中，使用q来处理回调是个不错的选择。

　　下面是返回的结果：

/* 1 */
{
"result" : [ 
{
"_id" : {
"cellphone" : "15827577345",
"actid" : objectid("5694565fa50fea7705f01789")
},
"uniqueids" : [ 
objectid("569b5d03b3d206f709f97685"), 
objectid("569b5d01b3d206f709f97684")
],
"count" : 2.0000000000000000
}, 
{
"_id" : {
"cellphone" : "18171282716",
"actid" : objectid("566b0d8dc02f61ae18e68e48")
},
"uniqueids" : [ 
objectid("566d16e6cf86d12d1abcee8b"), 
objectid("566d16e6cf86d12d1abcee8a")
],
"count" : 2.0000000000000000
}
],
"ok" : 1.0000000000000000
}

　　从结果中可以看到，一共有两组数据相同的记录，所以返回的result数组的长度为2。uniqueids属性为一个数组，其中存放了重复记录的_id字段的值，通过该值我们可以使用remove()方法来查找并删除对应的数据。