mongodb倒排索引
这周主要都花时间搞mongodb上了，业务场景是上游产出几个城市的全量道路code值，每个城市的数据量大概在100w~200w之间，每条数据对应好几个feature，形如：
{ code: 0, featureList: [{
caseId: 'xxxxxx', feature1: '', feature2: '', feature3: '', ... }] }
希望达到的效果：
1、通过选定不同feature的值，过滤得到对应的数据
2、支持过滤得到不含选定feature的数据
之前尝试过给每种 feature 做索引，但效率还是很慢（实际上是索引写错了地方...）；然后考虑了一下组合索引，但由于查询条件多变，feature 之间排列组合全都做组合索引太麻烦了；最后，炎哥建议使用倒排索引
以前学mongdb是随便百度了一个菜鸟教程，只知道给mongodb加索引的方法，关于索引的细节、原理都不太清楚，于是决定仔细看看mongodb官网上关于索引的介绍。
虽然全英文啃起来比较吃力与费时，但收获太多了，如：mongodb有个Index Intersection的特性，大概就是通过建单索引，组合查询能自动组合索引，加快查询效率，完全解决了我遇到的关于组合索引问题；mongodb能建自己的空间索引等等。比起查询各种中文博客，还是直接翻官方文档来的好。
关于倒排索引，根据这篇博客，做了一些实践。本想利用 Aggregation Pipeline 建立倒排索引文档，结果半天不知道咋生成新文档，思考了一下感觉聚合还是更适合用来统计、找数据。随后使用 Map-Reduce 方法，一开始跑出结果后欣喜万分，但在随后与交叉索引对比查询效率时发现倒排数据有问题。搞了半天在官方文档中发现：
先前参考的博客reduce代码有问题... 而且博客里给出的是使用mongoose的nodejs代码，mongo内置SpiderMonkey引擎，支持JavaScript脚本，我写的MapReduce代码如下：
db = db.getSiblingDB('code'); // 库名
var mapFunction = function () {
var feature = this.featureList,
caseId = feature.CaseId;
for (var key in feature) {
if (key !== 'CaseId') {
emit(key, { // 用于null查询
ids: [caseId]
});
key = key + '_' + feature[key];
emit(key, {
ids: [caseId]
});
}
}
};
var reduceFunction = function (feature, caseId) {
var ids = [];
caseId.forEach(function (val) {
ids = ids.concat(val.ids); // 这里注意reduce函数会调用多次，某一次的输出结果可能会变成下一次输入的一部分，所以要用concat
});
return {
ids
};
};
var cols = db.getCollectionNames();
for (var i = 0; i < cols.length; i++) {
if (cols[i].indexOf('_') !== -1 && cols[i].indexOf('invert') === -1) {
db[cols[i]].mapReduce(mapFunction, reduceFunction, {
out: {merge: cols[i] + '_invert'}
});
}
}
利用mongodb使用js脚本只需要写好js脚本后执行:
mongo xxx.js
这样大大方便了自动化灌库过程，之前我还傻乎乎的登上mongo shell，一句一句的输命令。现在只需要写一个bash脚本就能实现自动化灌库+建索引等等。不过没有console.log的话也不知道命令运行的状态这点有点坑
最后跑MapReduce时挂了，提示文档太大。mongodb默认单文档最大不超过16M:
想了想，如果200w条数据都含有同一个feature，那么这个feature倒排索引得到的文档大小=200 * 10000 * caseId(大概26个字节) / 1024 / 1024 = 50M。目前想到的方法是分表，MapReduce过程中通过scope选项注入变量start/end，每次map过程start递增，当start>=end时结束；下次令start=end，end += numLimit，继续执行MapReduce。不过分表还是无法应用null查询，难道把200w的caseId捞回来再利用$nin来查么？鉴于后来发现之前是将索引建错了地方，修改后的查询效率，在不查null时还算令人满意，就把这个优化暂时放一边了。之后有时间在搞吧，现在需求太多......
本来想遍历数据建立null索引，如：第一条数据没有feature1的话就建立一个feature1_null字段，后来发现遍历数据添加字段的效率只有500条/s左右，100w条数据需要跑30分钟，不太能令人满意，就也先放一边：
db = db.getSiblingDB('code');
let features = {
...
};
let cols = db.getCollectionNames();
for (let i = 0; i < cols.length; i++) {
if (cols[i].indexOf('_') !== -1) {
let col = cols[i],
cursor = db[col].find(),
docs = cursor.toArray();
while (docs.length) {
docs.forEach(function (doc) {
let feature = doc.feature,
local_features = [];
for (let key in feature) {
doc[key + '_' + feature[key]] = 1;
local_features.push(key);
}
for (let key in features) {
if (local_features.indexOf(key) === -1) {
doc[key + '_null'] = 1;
}
}
db[col].update({_id: doc._id}, doc);
});
if (cursor.hasNext()) {
cursor.next();
docs = cursor.toArray();
} else {
break;
}
}
for (let key in features) {
features[key].forEach(function (val) {
let index = {};
index[key + '_' + val] = 1;
db[col].createIndex(index);
});
let index = {};
index[key + '_null'] = 1;
db[col].createIndex(index);
}
db[col].createIndex({finalCode: 1});
}
}
