問題描述

爬取了一個用戶的論壇數據，但是這個數據庫中有重復的數據，于是我想把重復的數據項給去掉。數據庫的結構如下

里邊的forundata是這個帖子的每個樓層的發言情況。但是因為帖子爬取的時候有可能重復爬取了，我現在想根據里邊的urlId來去掉重復的帖子，但是在去除的時候我想保留帖子的forumdata（是list類型）字段中列表長度最長的那個。用mongodb的distinct方法只能返回重復了的帖子urlId，都不返回重復帖子的其他信息，我沒法定位。。。假如重復50000個，那么我還要根據這些返回的urlId去數據庫中find之后再在mongodb外邊代碼修改嗎？可是即使這樣，我發現運行的時候速度特別慢。之后我用了group函數，但是在reduce函數中，因為我要比較forumdata函數的大小，然后決定保留哪一個forumdata，所以我要傳入forumdata，但是有些forumdata大小超過了16M，導致報錯，然后這樣有什么解決辦法嗎？或者用第三種方法，用Map_reduce，但是我在map-reduce中的reduce傳入的forumdata大小限制竟然是8M，還是報錯。。。

代碼如下group的代碼：

reducefunc=Code( ’function(doc,prev){’ ’if (prev==null){’ ’prev=doc’ ’}’ ’if(prev!=null){’ ’if (doc.forumdata.lenth>prev.forumdata.lenth){’ ’prev=doc’ ’}’ ’}’ ’}’)

map_reduce的代碼：

reducefunc=Code( ’function(urlId,forumdata){’ ’if(forumdata.lenth=1){’ ’return forumdata[0];’ ’}’ ’else if(forumdata[0].lenth>forumdata[1].lenth){’ ’return forumdata[0];’ ’}’ ’else{’ ’return forumdata[1]}’ ’}’)mapfunc=Code( ’function(){’ ’emit(this.urlId,this.forumdata)’ ’}’)

望各位高手幫我看看這個問題該怎么解決，三個方案中隨便各一個就好，或者重新幫我分析一個思路，感激不盡。鄙人新人，問題有描述不到位的地方請提出來，我會立即補充完善。

問題解答

如果這個問題還沒有解決，不妨參考下面的想法：

1、MongoDB中推薦使用aggregation，而不推薦使用map-reduce;

2、您的需求中，很重要的一點是獲取Forumdata的長度：數組的長度，從而找到數組長度最長的document。您原文說Forumdata是列表（在MongoDB中應該是數組）;MongoDB提供了$size運算符號取得數組的大小。

請參考下面的栗子：

> db.data.aggregate([ {$project : { '_id' : 1, 'name' : 1, 'num' : 1, 'length' : { $size : '$num'}}}]){ '_id' : ObjectId('58e631a5f21e5d618900ec20'), 'name' : 'a', 'num' : [ 12, 123, 22, 34, 1 ], 'length' : 5 }{ '_id' : ObjectId('58e631a5f21e5d618900ec21'), 'name' : 'b', 'num' : [ 42, 22 ], 'length' : 2 }{ '_id' : ObjectId('58e631a7f21e5d618900ec22'), 'name' : 'c', 'num' : [ 49 ], 'length' : 1 }

3、有了上面的數據后，然后可以利用aggregation中的$sort,$group等找到滿足您的需求的Document的objectId，具體做法可以參考下面的帖子：

https://segmentfault.com/q/10...

4、最后批量刪除相關的ObjectId

類似于：var dupls = [] 保存要刪除的objectIddb.collectionName.remove({_id:{$in:dupls}})

供參考。

Love MongoDB！ Have Fun!

戳我<--請戳左邊,就在四月！MongoDB中文社區深圳用戶大會開始報名啦！大神云集！

數據量的規模不是很大的話可以考慮重新爬取一次，每次存的時候查詢一下，只存數據最多的一組數據。優秀的爬蟲策略>>優秀的數據清洗策略

感謝各位網友，在qq群中，有人給出了思路，是在map的是先以urlId對forumdata進行處理，返回urlId和forumdatad.length，之后再在reduce中處理，保留forumdata.length最大的那個和對應的urlId，最后保存成一個數據庫，之后通過這個數據庫中的urlId來從原數據庫中將所有數據讀取出來。我試過了，雖然效率不是我期望的那種，不過速度還是比以前用python處理快了不少。附上map和reduce的代碼：’’’javaScriptmapfunc=Code(

’function(){’’data=new Array();’’data={lenth:this.forumdata.length,’’id:this._id};’# ’data=this._id;’’emit({'id':this.urlId},data);’’}’)

reducefunc=Code(

’function(tieziID,dataset){’’reduceid=null;’’reducelenth=0;’’’’’’redecenum1=0;’’redecenum2=0;’’’’dataset.forEach(function(val){’’if(reducelenth<=val['lenth']){’’reducelenth=val['lenth'];’’reduceid=val['id'];’’redecenum1+=1;’’}’’redecenum2+=1;’’});’’return {'lenth':reducelenth,'id':reduceid};’’}’ )

上邊是先導出一個新的數據庫的代碼，下邊是處理這個數據庫的代碼：

mapfunc=Code(

’function(){’# ’data=new Array();’’lenth=this.forumdata.length;’’’’emit(this.urlId,lenth);’’}’

)

reducefunc=Code(

’function(key,value){’’return value;’’}’

)

之后添加到相應的map_reduce中就行了。感覺Bgou回答的不錯，所以就選他的答案了，還沒有去實踐。上邊是我的做法，就當以后給遇到同樣問題的人有一個參考。