MongoDB整理笔记のjava MongoDB分页优化

    最近项目在做网站用户数据新访客统计，数据存储在MongoDB中，统计的数据其实也并不是很大，1000W上下，但是公司只配给我4G内存的电脑，让我程序跑起来气喘吁吁...很是疲惫不堪。

    最常见的问题莫过于查询MongoDB内存溢出，没办法只能分页查询。这种思想大家可能都会想到，但是如何分页，确实多有门道！

    网上用的最多的，也是最常见的分页采用的是skip+limit这种组合方式，这种方式对付小数据倒也可以，但是对付上几百上千万的大数据，却只能望而兴叹...

    经过网上各种查找资料，寻师问道的，发现了一种速度足以把skip+limit组合分页甩出几条街的方法。

    思路: 条件查询+排序+限制返回记录。边查询，边排序，排序之后，抽取第一次分页中的最后一条记录，作为第二次分页的条件，进行条件查询，以此类推....

    先上代码： 

 /**
     * 小于指定日期的所有根据UUID分组的访问记录
     * @param 指定日期
     * @return 所有访问记录的MAP
     */
    public static Multimap<String, Map<String, String>> getOldVisitors(String date){
        
        //每次查询的记录数
        int pagesize = 100000;
        
        //mongodb中的"_id"
        String objectId = "";
        
        //方法的返回值类型，此处用的google guava
        Multimap<String, Map<String, String>> mapless = null;
        
        //查询的条件
        BasicDBObject queryless = new BasicDBObject(),fields = new BasicDBObject(),field = new BasicDBObject();
        
        //初始化返回的mongodb集合操作对象，大家可以写个数据连接池
        dbCol = init();
        
        //查询指定字段，字段越少，查询越快，当然都是一些不必要字段
        field.put("uuid",1);
        
        fields.put("uuid", 1);
        
        fields.put("initTime", 1);
        
        //小于指定日期的条件
        String conditionless = TimeCond.getTimeCondless(date);
        
        queryless.put("$where", conditionless);
        
        DBCursor cursorless = dbCol.find(queryless,field);
        
        //MongoDB在小于指定日期条件下，集合总大小
        int countless = cursorless.count();
        
        //查询遍历的次数 circleCountless+1
        int circleCountless = countless/pagesize;
        
        //取模，这是最后一次循环遍历的次数
        int modless = countless%pagesize;
        
        //开始遍历查询
        for (int i = 1; i <=circleCountless+1; i++) {
            
            //文档对象
            DBObject obj = null;
            
            //将游标中返回的结果记录到list集合中，为什么放到list集合中？这是为后面guava 分组做准备
            List<Map<String, String>> listOfMaps = new ArrayList();
            
            //如果条件不为空，则加上此条件，构成多条件查询，这一步是分页的关键
            if (!"".equals(objectId)) {
                
                  //我们通过文档对象obj.get("_id")返回的是不带ObjectId(),所以要求此步骤
                               ObjectId id = new ObjectId(objectId);
                
                   queryless.append("_id", new BasicDBObject("$gt",id));
                
            }
            
            if (i<circleCountless+1) {
                
            cursorless = dbCol.find(queryless,fields).sort(new BasicDBObject("_id", 1)).limit(pagesize);
                
            }else if(i==circleCountless+1){//最后一次循环
                
                cursorless = dbCol.find(queryless,fields).limit(modless);
            }
            
                    //将游标中返回的结果记录到list集合中，为什么放到list集合中？这是为后面guava 分组做准备
                while (cursorless.hasNext()) {
                    
                    obj = cursorless.next();
                    
                    listOfMaps.add((Map<String, String>) obj);
                    
                }
                //获取一次分页中最后一条记录的"_id"，然后作为条件传入到下一个循环中
                if (null!=obj) {
                    
                     objectId = obj.get("_id").toString();
                     
                    }
            //第一次分组，根据uuid分组,分组除今天之外的历史数据
        mapless = Multimaps.index(
                      listOfMaps,new Function<Map<String, String>, String>() {
                          public String apply(final Map<String, String> from) {
                             
                                  return from.get("uuid");    
                      }
                 });
              
          }    
    
        return mapless;
    }

    这里为什么要用"_id"这个字段作为分页的条件？其实，我也用过其他字段，比如时间字段，时间字符串也是可以比大小的，但它的效率远不如"_id"高。

    关于MongoDB中的"_id",以前一直忽略它的作用，直接结果是让我耗了很多时间和精力，绕了大半圈，又回到了原点，有一种众里寻他千百度，蓦然回首，那人却在灯火阑珊处的感觉...

    MongoDB ObjectId

    “4e7020cb7cac81af7136236b”这个24位的字符串，虽然看起来很长，也很难理解，但实际上它是由一组十六进制的字符构成，每个字节两位的十六进制数字，总共用了12字节的存储空间。相比MYSQLint类型的4个字节，MongoDB确实多出了很多字节。不过按照现在的存储设备，多出来的字节应该不会成为什么瓶颈。不过MongoDB的这种设计，体现着空间换时间的思想。官网中对ObjectId的规范，如图所示：

     

    1)Time

    时间戳。将刚才生成的objectid的前4位进行提取“4e7020cb”，然后按照十六进制转为十进制，变为“1315971275”，这个数字就是一个时间戳。通过时间戳的转换，就成了易看清的时间格式。

    2)Machine

机器。接下来的三个字节就是“7cac81”，这三个字节是所在主机的唯一标识符，一般是机器主机名的散列值，这样就确保了不同主机生成不同的机器hash值，确保在分布式中不造成冲突，这也就是在同一台机器生成的objectId中间的字符串都是一模一样的原因。

    3)PID

    进程ID。上面的Machine是为了确保在不同机器产生的objectId不冲突，而pid就是为了在同一台机器不同的mongodb进程产生了objectId不冲突，接下来的“af71”两位就是产生objectId的进程标识符。

    4)INC

    自增计数器。前面的九个字节是保证了一秒内不同机器不同进程生成objectId不冲突，这后面的三个字节“36236b”是一个自动增加的计数器，用来确保在同一秒内产生的objectId也不会发现冲突，允许256的3次方等于16777216条记录的唯一性。

    总的来看，objectId的前4个字节时间戳，记录了文档创建的时间；接下来3个字节代表了所在主机的唯一标识符，确定了不同主机间产生不同的objectId；后2个字节的进程id，决定了在同一台机器下，不同mongodb进程产生不同的objectId；最后通过3个字节的自增计数器，确保同一秒内产生objectId的唯一性。ObjectId的这个主键生成策略，很好地解决了在分布式环境下高并发情况主键唯一性问题，值得学习借鉴。