Mongodb 删除重复的数据

最近在处理一些专利数据，从专利局爬数据的时候，总会间隙性出现中断，为了保证数据的完整性就进行了一些重复下载。将数据从几万个Excel表格中导入Mongodb后，第一步就是要去掉重复的数据。我的第一反应是写个Python小脚本，结果在执行的时候，由于数据量确实比较大，有十几万条，执行了半个小时仍不见结束。这时候才想着使用数据库的查询命令是不是可以实现去重复的功能。简单搜索实践后总结如下： 1. 使用Python小脚本去重复的代码：

# -*- coding: utf-8 -*- # # @Author yxiao@aliyun.com # import os import io import sys from pymongo import * reload(sys) sys.setdefaultencoding( "utf-8" ) client = MongoClient(address, port) db_data = client.db_name collection_patent = db_data.collection_name patents = {} count = 0 for patent_record in collection_patent.find({"_id":{"$ne":0}}): if patent_record['public_no'] not in patents.keys(): patents[patent_record['public_no']] = patent_record else: count += 1 collection_patent.delete_one({"public_no":patent_record['public_no']}) print count

2.使用ensureIndex建立索引来删除重复记录，此命令适用于Mongodb 3.0以下版本。在Mongodb3.0以上版本，ensureIndex已经被createIndex取代了，同时dropDups选项也已经被移除了，所以不能再使用以上命令来去掉重复数据：

db.your_collection.ensureIndex({public_no:1}, {unique: true, dropDups: true})

3.下面提供一种比较简单的巧方法：

将数据导出为JSON格式存档： mongoexport.exe -d database_name -c collection_name -o filename.json 清空当前集合的数据： db.yourcollection.remove({})新建唯一索引： db.yourcollection.createIndex({public_no:1}, {unique:true})导入之前存档的JSON文件数据： mongoimport -d database_name -c collection_name --upsert filename.json 用到的几个参数选项说明：-d 数据库名 -c 集合名 -o 导出后的目录及文件名 --upsert 会根据唯一索引去掉重复记录