V2EX = way to explore
V2EX 是一个关于分享和探索的地方
Sign Up Now
For Existing Member Sign In
推荐工具
› RoboMongo
推荐书目
› 50 Tips and Tricks for MongoDB Developers
Related Blogs
› Snail in a Turtleneck
This topic created in 2106 days ago, the information mentioned may be changed or developed.
数据量太大 几百亿，但是只有一台机器，存储够用。
数据需要以三个字段建联合唯一索引。
如果不建索引，导入差不多一周就完事了。 但是联合唯一索引在导入数据之后有重复数据就无法创建了，去掉重复数据也非常的难。 建索引之后再导数据，非常非常非常的慢，可能是索引影响了插入速度。。
大佬们有啥高招吗
 |
1
wupher Jul 29, 2020
那就不要用唯一性索引
|
 |
3
abcbuzhiming Jul 29, 2020
不能自己写程序读取数据，然后在去重的基础上导入吗？无非就是慢一点呗
|
 |
4
dtgxx OP @abcbuzhiming #3 写了很多程序，也做了非常多的优化，慢的不行。。数据量太大，程序无法支持去重的。
|
 |
5
jiangzhuo Jul 29, 2020  1
去阿里云 AWS 之类的开一套高性能的机器，导入，然后关闭数据库，把导入好的文件传回你那台机器，用导好的文件启动数据库。
|
 |
7
594duck Jul 29, 2020 via iPhone
就不能先倒入关系数据库，再处理好所有的逻辑。死磕那个干嘛
|
 |
8
billlee Jul 29, 2020
你导进去要干嘛？这样即使能导完用起来还是会很慢啊
|
|
10
dtgxx OP @594duck #7 主要是目前只有一个机器，用关系型数据库会比 mongo 慢更多。mongo 不用联合索引每秒我这可以处理到大约 50 万条数据，关系型数据库单点的肯定做不到。
|
 |
12
entertainyou Jul 30, 2020 via Android
分表？
|
|
13
594duck Jul 30, 2020 via iPhone
|
 |
14
showhand Jul 30, 2020 via iPhone
是不是先读取索引数据，把重复的记下来，然后导入的时候判断下数据是否在重复的索引里面
|
|
15
wupher Jul 30, 2020
索引无非是为了方便查询，你可以在查询函数上做文章，查询多条记录后，再返回你想要的唯一记录，或者通过逻辑字段来标识删除，都是可以的。
唯一性索引本来就很影响性能，数据，建议谨慎使用。几百亿数据，正常都应该 sharding 了，更不建议使用唯一性索引。 5 楼的建议也相当棒，买机器来处理也是条思路。 |
 |
17
JCZ2MkKb5S8ZX9pq Jul 30, 2020
需求没看很懂，唯一索引是建一个单独的字段，还是 createIndex ？
如果碰到重复，处理逻辑是什么样的？ 另外有个比较基本的差别，insert_many 比逐条插入要快很多。可以考虑先 createIndex 然后批量导入，最后再说处理重复，不知道能不能行。 |
|
19
dtgxx OP @JCZ2MkKb5S8ZX9pq #17 三个字段的联合索引，目前使用 mongoinsert 导入数据，insert_one 和 insert_many 都比较慢，都放弃了。重复数据保留任何一条就可以了。
|
 |
20
deep89381 Jul 30, 2020 via Android
用 mongoimport 导入 csv 或 tsv，重复数据会自动跳过的
|
|
21
dtgxx OP @zhuifeng1017 #20 啊 大佬，这个哪里有说明吗，真是这样就太好啦
|
|
22
JCZ2MkKb5S8ZX9pq Jul 30, 2020
@dtgxx 20 楼说的看了眼，学到了。但感觉不管哪种去重，查找的花销总归是难免的，不如先全部丢进去再说了。可以以后慢慢处理。
> 但是联合唯一索引在导入数据之后有重复数据就无法创建了 这个没有看懂，如果是 mongo 自带的 index 不是可以重复的吗？ |
 |
23
windyland Jul 30, 2020 via Android
所以为什么不试试阿里云开内存盘呢。。。。。。？
|
|
24
dtgxx OP @JCZ2MkKb5S8ZX9pq #22 先导入数据，然后添加唯一索引，被索引的字段如果有重复，这个索引就会建失败。
|
|
25
JCZ2MkKb5S8ZX9pq Jul 30, 2020
@dtgxx 是用
createIndex({name:1,gender:1,age:1}) 如果是这种是可以重复的吧？ 加了{unique: true}的话倒不清楚，没用过这个，查询会更快吗？ 我去试试看这个。 也可以考虑初期先导入，用起来再说，日后慢慢去重做 unique 吧。 |
|
26
dtgxx OP @JCZ2MkKb5S8ZX9pq #25 联合唯一索引，唯一指的就是 unique 。
|
|
27
JCZ2MkKb5S8ZX9pq Jul 30, 2020 1
@dtgxx 嗯，看了下的确没有先 compound 然后再转换的方法。那就等于全部数据要预处理，那是怎么都快不起来了。
去重的话感觉也是先建非 unique 的 index，然后排序去重能快一点。不过你这个量是满夸张的。 |
|
28
wupher Jul 30, 2020 1
只有单条重复性不多的情况可以用这种方法。
如果单条数据重复数量级很大，那就不适合了。 几百亿也可以考虑放 ES 或者 Cassandra |
|
29
dtgxx OP @zhuifeng1017 #20
引用：用 mongoimport 导入 csv 或 tsv，重复数据会自动跳过的 这个你自己试过吗？我刚测试了，并不可以。 @wupher 是 之前考虑用分布式大数据存储之类的，最终机器限制，就没搞。 |
 |
30
joApioVVx4M4X6Rf Jul 30, 2020
假设数据有 500 亿。
首先对数据对三个联合主键做一个取余，假设是模 10000，这样数据被分成了 10000 份，平均每份 500w 数据，所以只需要对这 500w 数据去重就行了，做好后直接插入数据库，不用建立唯一索引 |
 |
31
smallgoogle Jul 30, 2020
哎。别说了。才弄完。5 亿数据。
|
|
32
dtgxx OP |
Select Language