MongoDB 聚合分组取第一条记录的案例及实现

关键字：mongodb； aggregate；foreach

今天开发同学向我们提了一个紧急的需求，从集合mt_resources_access_log中，根据字段refererdomain分组，取分组中最近一笔插入的数据，然后将这些符合条件的数据导入到集合mt_resources_access_log_new中。

接到这个需求，还是有些心虚的，原因有二，一是，业务需要，时间紧；二是，实现这个功能mongodb聚合感觉有些复杂，聚合要走好多步。

数据记录格式如下：

记录1

{
    "_id" : objectid("5c1e23eaa66bf62c0c390afb"),
    "_class" : "c1",
    "resourceurl" : "/static/js/p.js",
    "refererdomain" : "1234",
    "resourcetype" : "static_resource",
    "ip" : "17.17.13.13",
    "createtime" : isodate("2018-12-22t19:45:46.015+08:00"),
    "disabled" : 0
}

记录2

{
    "_id" : objectid("5c1e23eaa66bf62c0c390afb"),
    "_class" : "c1",
    "resourceurl" : "/static/js/p.js",
    "refererdomain" : "1234",
    "resourcetype" : "dome_resource",
    "ip" : "17.17.13.14",
    "createtime" : isodate("2018-12-21t19:45:46.015+08:00"),
    "disabled" : 0
}

记录3

{
    "_id" : objectid("5c1e23eaa66bf62c0c390afb"),
    "_class" : "c2",
    "resourceurl" : "/static/js/p.js",
    "refererdomain" : "1235",
    "resourcetype" : "static_resource",
    "ip" : "17.17.13.13",
    "createtime" : isodate("2018-12-20t19:45:46.015+08:00"),
    "disabled" : 0
}

记录4

{
    "_id" : objectid("5c1e23eaa66bf62c0c390afb"),
    "_class" : "c2",
    "resourceurl" : "/static/js/p.js",
    "refererdomain" : "1235",
    "resourcetype" : "dome_resource",
    "ip" : "17.17.13.13",
    "createtime" : isodate("2018-12-20t19:45:46.015+08:00"),
    "disabled" : 0
}

以上是我们的4条记录，类似的记录文档有1500w。

因为情况特殊，业务发版需要这些数据。催的比较急，而 通过 聚合 框架aggregate，短时间有没有思路， 所以，当时就想着尝试采用其他方案。

最后，问题处理方案如下。

step 1  通过聚合框架 根据条件要求先分组，并将新生成的数据输出到集合mt_resources_access_log20190122 中（共产生95笔数据）；

实现代码如下：

db.log_resources_access_collect.aggregate(
                     [
                      
                       { $group: { _id: "$refererdomain" } },
                       { $out : "mt_resources_access_log20190122" }
                     ]
  
                   )

step 2  通过2次 foreach操作，循环处理 mt_resources_access_log20190122和mt_resources_access_log的数据。

代码解释，处理的逻辑为，循环逐笔取出mt_resources_access_log20190122的数据（共95笔），每笔逐行加工处理，处理的逻辑主要是  根据自己的_id字段数据（此字段来自mt_resources_access_log聚合前的refererdomain字段）， 去和 mt_resources_access_log的字段 refererdomain比对，查询出符合此条件的数据，并且是按_id 倒序，仅取一笔，最后将join刷选后的数据insert到集合mt_resources_access_log_new。

新集合也是95笔数据。

大家不用担心性能，查询语句在1s内实现了结果查询。

db.mt_resources_access_log20190122.find({}).foreach(
    function(x) {
        db.mt_resources_access_log.find({ "refererdomain": x._id }).sort({ _id: -1 }).limit(1).foreach(
            function(y) {
                db.mt_resources_access_log_new.insert(y)
            }
        )
    }
)

 

step 3 查询验证新产生的集合mt_resources_access_log_new，结果符合业务要求。 

刷选前集合mt_resources_access_log的数据量为1500多w。

刷选后产生新的集合mt_resources_access_log_new 数据量为95笔。

 

注意：根据时间排序的要求，因为部分文档没有createtime字段类型，且 createtime字段上没有创建索引，所以未了符合按时间排序我们采用了sort({_id:1})的变通方法，因为_id 还有时间的意义。下面的内容为mongodb对应_id 的相关知识。

最重要的是前4个字节包含着标准的unix时间戳。后面3个字节是机器id，紧接着是2个字节的进程id。最后3个字节存储的是进程本地计数器。计数器可以保证同一个进程和同一时刻内不会重复。

 

本文版权归作者所有，未经作者同意不得转载,谢谢配合！！！