关于 MongoDB aggregate 和 mapReduce 的统计问题

[threedream]

最近使用 mongoDB 存储了大量的用户登录记录，文档结构如下：

{
  "_id" : ObjectId("5a1fde257756dca1c86f2d23"),
  "_class" : "com.aaa.LoginHistory",
  "uid" : "94989242",
  "ip" : "192.168.1.219",
  "imei" : "865736037366641",
  "epid" : "33189023-9472-4f30-81cf-8c7d13132aae5",
  "platform" : "Android",
  "timestamp" : "1512037117100",
  "address" : "中国,江苏省,南京市,建邺区"
}

• 现在有个需求，需要统计每一天（ yyyy-MM-dd ）的登录用户数（ uid 对应用户，每天存在多次登陆记录，即 uid 可能重复）。
• 由于技术菜，选择了比较 low 的方法实现：根据需要查询的时间间隔的时间，就是开始时间戳和结束时间戳，把它分成每天一个间隔，然后利用以下方法去统计：

db.loginHistory.aggregate([
	{$match:{"timestamp":{"$lte":"1513412162000","$gte":"1512548162000"}}},
    {$group:{_id:"$uid"}}
])

因此出现了很大的问题：

• uid 的重复，导致登录用户数量统计出现重复。
• 如果需要查询一年以内的话，则需分成 365 个时间区不断得循环调用，导致响应时间超级慢。

最后经过各种百度找到了一种实现：

db.loginHistory.aggregate(
    [
        {
            $match:{
                timestamp:{
                    $lte:"1513399696240",
                    $gte:"1513389696240"
                }
            }
        },
        {
            $project:{
                uid:1,
                timestamp:1,
                _id:0
            }
        },
        {
            $group:{
                _id:{
                    uid:"$uid",
                    date:{
                        $dateToString:{
                            format:"%Y-%m-%d",
                            date:{
                                $add:[new Date(0),parseInt("$timestamp")]
                            }
                        }
                    }
                }
            }
        },
        {
            $group:{
                _id:{
                    date:"$_id.date"
                },
                count:{"$sum":1}
            }
        }
    ]
)

但是问题又来了，执行报错：

assert: command failed: {
    "ok" : 0,
    "errmsg" : "$dateToString is only defined on year 0-9999, tried to use year 292278994",
    "code" : 18537
} : aggregate failed
_getErrorWithCode@src/mongo/shell/utils.js:25:13
doassert@src/mongo/shell/assert.js:13:14
assert.commandWorked@src/mongo/shell/assert.js:287:5
DBCollection.prototype.aggregate@src/mongo/shell/collection.js:1312:5

百思不得其解，尝试性的把 parseInt("$timestamp")改成 parseInt("1513399696240")，执行得到结果：

{ "_id" : { "date" : "2017-12-16" }, "count" : 19 }

经过 v2 上的大哥提建议说用 mapReduce，尝试着改成了 mapReduce，结果成功了，可是：

db.loginHistory.mapReduce(
    function(){  
        var date = new Date(parseInt(this.timestamp));
        var dateKey = date.getFullYear()+"-"+(date.getMonth()+1)+"-"+date.getDate();
        emit(dateKey,{uid:this.uid,count:1});  
    },    
    function(key, values){ 
        var result = 0;
        var json = {};
        for (var i = 0; i < values.length; i++) {
            if(json[values[i].uid] != 1) {
                result += values[i].count;
                json[values[i].uid] = 1;
            }
        }
        
        return {count:result};  
    },
    {
        query:{
            "timestamp":{
                "$gte":"1512662400000","$lte":"1512921599999"
            },
            "epid":"a6c89023-9472-4f30-81cf-8c7dea62aae5",
            "platform":"ios"
        },
        out:"aaa"
    }
).find()

109W 条数据，花了 11 秒，没错，就是 11 秒，就一台单机 mongoDB，我觉得用 mapReduce 有意义？

线上大概数据已经超过 5 千万条，如果不用 aggregate 的话，30 秒超时时间都不够。。。

[threedream]

求助求助，求助各位大佬。

[Had]

不要重复查不就行了？
单独拉个表，存储已经查询出来的记录，也就是你每天过 12 点跑一个任务，把前一天内的登陆用户查出来，然后做 unique 就行了呗，这样每天就查一天的数据量，负担也很小，也方便查
完全没有必要天天重复跑已经确定了的数据啊

[a342191555]

瞎说一种思路…用聚合管道。第一步，把每个 document project 成：{uid:.....,dayOfYear:x}的形式，第二步，group 操作，以 dayOfYear 为_id，把 uid 放到数组中，第三步，去重。

[a342191555]

@a342191555 想了想，这样要遍历多次，改写成 Map-Reduce 试试：

var map = function () {
var key=Math.floor((parseInt(this.timestamp)-1483200000)/3600/24); // 计算当前时间是 2017 年第几天
var value=this.uid;
emit(key, value);
};

var reduce = function (key, values) {
var uids={};
for(var uid in values){
uids[uid]=1;
}

var returnedValues=0; //去重
for(var i in uids){
returnedValues++;
}
return returnedValues;
};

[jy02201949]

收藏了，坐看各位的解决思路，这个时候我开始怀念起了 ORACLE

[fds]

同意楼上说的，把统计结果存起来，下次查就快了。
另外反正就是遍历，直接写个程序 find 区间然后调用 cursor.next()遍历所有条目，自己排重即可。

你说的代码里 date:{$add:[new Date(0),parseInt("$timestamp")]} 这段肯定有问题，parseInt 是个函数，你这么调用就是个字符串，不可能用数据库里的值代替的。改成 date:{$add:[new Date(0),"$timestamp"]} 应该可以。

[baiihcy]

是要把相同 uid 的不同 timestamp 查询出来吗？

db.loginHistory.aggregate(
[
{
$match:{
timestamp:{
$lte:"1513399696240",
$gte:"1513389696240"
}
}
},
{
$project:{
uid:1,
timestamp:1,
_id:0
}
},
{
$group:{
_id:{
uid:"$uid"
},
timestamp:{
$push:"$timestamp"
}
}
}
]
)

[rushpu]

把你数据库的 timestamp 搞成 NumberLong 型的，
然后
aggregate([
{
"$group": {
"_id": {
"$dateToString": {
"format": "%Y-%m-%d",
"date": {
"$add": [
new Date(0),
"$timestamp"
]
}
}
},
"count": { "$sum": 1 }
}
}
])

[threedream]

@a342191555 大哥，用你这个去重方法，我输出 uids，发现数据的 key 是有问题的，并没有实现去重。
uids 数据如下：
{ "_id" : "2017-12-13", "value" : { "0" : 1, "1" : 1, "2" : 1, "3" : 1, "4" : 1, "5" : 1, "6" : 1, "7" : 1, "8" : 1, "9" : 1, "10" : 1, "11" : 1, "12" : 1, "13" : 1, "14" : 1, "15" : 1, "16" : 1, "17" : 1, "18" : 1, "19" : 1, "20" : 1, "21" : 1, "22" : 1, "23" : 1, "24" : 1, "25" : 1, "26" : 1, "27" : 1, "28" : 1, "29" : 1, "30" : 1, "31" : 1, "32" : 1, "33" : 1, "34" : 1, "35" : 1, "36" : 1, "37" : 1, "38" : 1, "39" : 1, "40" : 1, "41" : 1, "42" : 1, "43" : 1, "44" : 1, "45" : 1, "46" : 1, "47" : 1, "48" : 1, "49" : 1, "50" : 1, "51" : 1, "52" : 1, "53" : 1, "54" : 1, "55" : 1, "56" : 1, "57" : 1, "58" : 1, "59" : 1, "60" : 1, "61" : 1, "62" : 1, "63" : 1, "64" : 1, "65" : 1, "66" : 1, "67" : 1, "68" : 1, "69" : 1, "70" : 1, "71" : 1, "72" : 1, "73" : 1, "74" : 1, "75" : 1, "76" : 1, "77" : 1, "78" : 1, "79" : 1, "80" : 1, "81" : 1, "82" : 1, "83" : 1, "84" : 1, "85" : 1, "86" : 1, "87" : 1, "88" : 1, "89" : 1, "90" : 1, "91" : 1, "92" : 1, "93" : 1, "94" : 1, "95" : 1, "96" : 1, "97" : 1, "98" : 1 } }

[a342191555]

@threedream 我写的那个 reduce 函数最后那段已经去重了呀。贴你的代码。