Question

我正在尝试将一些大文件（大约400万条记录）推送到mongo实例中。我基本上想要实现的是使用文件中的数据更新现有数据。该算法看起来像：

rowHeaders = ('orderId', 'manufacturer', 'itemWeight')
for row in dataFile:
    row = row.strip('\n').split('\t')
    row = dict(zip(rowHeaders, row))

    mongoRow = mongoCollection.find({'orderId': 12344})
    if mongoRow is not None:
        if mongoRow['itemWeight'] != row['itemWeight']:
            row['tsUpdated'] = time.time()
    else:
        row['tsUpdated'] = time.time()

    mongoCollection.update({'orderId': 12344}, row, upsert=True)

因此，如果权重相同，则更新除'tsUpdated'之外的整行，如果行不在mongo中则添加新行或更新包含'tsUpdated'的整行......这是算法

问题是：从mongo的角度来看，这可以更快，更容易，更有效吗？（最终有某种批量插入）

Answer 1

将orderId上的唯一索引与更新查询相结合，您还可以检查itemWeight中的更改。如果orderId已存在且itemWeight相同，则唯一索引会阻止仅包含已修改时间戳的插入。

mongoCollection.ensure_index('orderId', unique=True)
mongoCollection.update({'orderId': row['orderId'],
    'itemWeight': {'$ne': row['itemWeight']}}, row, upsert=True)

我的基准测试显示您的算法性能提升了5-10倍（取决于插入量与更新量）。

pymongo：更有效的更新

1 个答案: