使用aggregate在MongoDB中查找重复的数据记录

 

  http://www.cnblogs.com/jaxu/p/5143707.html

 

db.slice.aggregate([
{ $group: {
_id: { UserId: "$UserId", NodeKey: "$NodeKey" ,DocumentId:"$DocumentId",SliceIndex:"$SliceIndex" },
uniqueIds: { $addToSet: "$_id" },
count: { $sum: 1 }
}},
{ $match: {
count: { $gt: 1 }
}}
])

　　

 

 

　　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" : "15827571111",
                "actId" : ObjectId("5694565fa50fea7705f01789")
            },
            "uniqueIds" : [ 
                ObjectId("569b5d03b3d206f709f97685"), 
                ObjectId("569b5d01b3d206f709f97684")
            ],
            "count" : 2.0000000000000000
        }, 
        {
            "_id" : {
                "cellPhone" : "18171282222",
                "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。

补充：Mongoose支持findOneAndUpdate（在MongoDB中对应的方法叫findAndModify），选项upsert=true表示当要要更新的数据不存在时会自动创建。该选项默认值为false。示例代码如下：

var query = {'username':req.user.username};
req.newData.username = req.user.username;
MyModel.findOneAndUpdate(query, req.newData, {upsert:true}, function(err, doc){
    if (err) return res.send(500, { error: err });
    return res.send("succesfully saved");
});

　　通过该方法我们可以将数据的唯一性校验交给MongoDB来完成。