mongodb duplicate value

Encuentre todos los documentos duplicados en una colección MongoDB por un campo clave

Question

Supongamos que tengo una colección con algunos conjuntos de documentos. algo como esto.

{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":1, "name" : "foo"}
{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":2, "name" : "bar"}
{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":3, "name" : "baz"}
{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":4, "name" : "foo"}
{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":5, "name" : "bar"}
{ "_id" : ObjectId("4f127fa55e7242718200002d"), "id":6, "name" : "bar"}

Quiero encontrar todas las entradas duplicadas en esta colección por el campo "nombre". Por ejemplo, "foo" aparece dos veces y "bar" aparece 3 veces.

Answer 1

Encontré información útil en el blog oficial de mongo lab: http://blog.mongolab.com/2014/03/finding-duplicate-keys-with-the-mongodb-aggregation-framework/

Answer 2

La respuesta aceptada es terriblemente lenta en colecciones grandes y no devuelve los _id de los registros duplicados.

La agregación es mucho más rápida y puede devolver los _id s:

db.collection.aggregate([
  { $group: {
    _id: { name: "$name" },   // replace `name` here twice
    uniqueIds: { $addToSet: "$_id" },
    count: { $sum: 1 } 
  } }, 
  { $match: { 
    count: { $gte: 2 } 
  } },
  { $sort : { count : -1} },
  { $limit : 10 }
]);

En la primera etapa de la canalización de agregación, el operador de $group agrega documentos por el campo de name y almacena en uniqueIds cada valor de _id de los registros agrupados. El operador $sum suma los valores de los campos pasados ​​a él, en este caso la constante 1 - contando así el número de registros agrupados en el campo de count .

En la segunda etapa de la canalización, utilizamos $match para filtrar documentos con un count de al menos 2, es decir, duplicados.

Luego, primero ordenamos los duplicados más frecuentes y limitamos los resultados al top 10.

Esta consulta generará hasta $limit registros de $limit con nombres duplicados, junto con sus _id s. Por ejemplo:

{
  "_id" : {
    "name" : "Toothpick"
},
  "uniqueIds" : [
    "xzuzJd2qatfJCSvkN",
    "9bpewBsKbrGBQexv4",
    "fi3Gscg9M64BQdArv",
  ],
  "count" : 3
},
{
  "_id" : {
    "name" : "Broom"
  },
  "uniqueIds" : [
    "3vwny3YEj2qBsmmhA",
    "gJeWGcuX6Wk69oFYD"
  ],
  "count" : 2
}

Answer 3

Nota: esta solución es la más fácil de entender, pero no la mejor.

Puede usar mapReduce para averiguar cuántas veces un documento contiene un determinado campo:

var map = function(){
   if(this.name) {
        emit(this.name, 1);
   }
}

var reduce = function(key, values){
    return Array.sum(values);
}

var res = db.collection.mapReduce(map, reduce, {out:{ inline : 1}});
db[res.result].find({value: {$gt: 1}}).sort({value: -1});

Answer 4

Para obtener una solución genérica de Mongo, consulte la receta del libro de cocina de MongoDB para encontrar duplicados con el group . Tenga en cuenta que la agregación es más rápida y más potente ya que puede devolver los _id de los registros duplicados.

Para pymongo , la respuesta aceptada (usando mapReduce) no es tan eficiente. En cambio, podemos usar el método de group :

$connection = ''mongodb://localhost:27017'';
$con        = new Mongo($connection); // mongo db connection

$db         = $con->test; // database 
$collection = $db->prb; // table

$keys       = array("name" => 1); Select name field, group by it

// set intial values
$initial    = array("count" => 0);

// JavaScript function to perform
$reduce     = "function (obj, prev) { prev.count++; }";

$g          = $collection->group($keys, $initial, $reduce);

echo "<pre>";
print_r($g);

La salida será esta:

Array
(
    [retval] => Array
        (
            [0] => Array
                (
                    [name] => 
                    [count] => 1
                )

            [1] => Array
                (
                    [name] => MongoDB
                    [count] => 2
                )

        )

    [count] => 3
    [keys] => 2
    [ok] => 1
)

La consulta SQL equivalente sería: SELECT name, COUNT(name) FROM prb GROUP BY name . Tenga en cuenta que todavía tenemos que filtrar elementos con un recuento de 0 de la matriz. Una vez más, consulte la receta del libro de cocina de MongoDB para encontrar duplicados usando el group para la solución canónica utilizando el group .