使用rmongodb加速大型结果集处理

Question

我正在使用rmongodb来获取特定集合中的每个文档.它可以工作,但我正在使用数百万个小文档,可能是100M或更多.我正在使用网站上作者建议的方法:cnub.org/rmongodb.ashx

count <- mongo.count(mongo, ns, query)
cursor <- mongo.find(mongo, query)
name <- vector("character", count)
age <- vector("numeric", count)
i <- 1
while (mongo.cursor.next(cursor)) {
    b <- mongo.cursor.value(cursor)
    name[i] <- mongo.bson.value(b, "name")
    age[i] <- mongo.bson.value(b, "age")
    i <- i + 1
}
df <- as.data.frame(list(name=name, age=age))

这适用于数百或数千个结果但是循环非常非常慢.有什么方法可以加快速度吗？也许是多处理的机会？任何建议,将不胜感激.我平均每小时1M,按照这个速度,我只需要一周时间来构建数据框.

编辑:我注意到while循环中的矢量越多,它就越慢.我现在正试图为每个向量分别循环.虽然看起来仍然像黑客,但必须有更好的方法.

编辑2:我对data.table运气不错.它仍在运行,但看起来它将在4小时内完成12M(这是我目前的测试设置),这是进步但远非理想

dt <- data.table(uri=rep("NA",count),
                 time=rep(0,count),
                 action=rep("NA",count),
                 bytes=rep(0,count),
                 dur=rep(0,count))

while (mongo.cursor.next(cursor)) {
  b <- mongo.cursor.value(cursor)
  set(dt, i, 1L,  mongo.bson.value(b, "cache"))
  set(dt, i, 2L,  mongo.bson.value(b, "path"))
  set(dt, i, 3L,  mongo.bson.value(b, "time"))
  set(dt, i, 4L,  mongo.bson.value(b, "bytes"))
  set(dt, i, 5L,  mongo.bson.value(b, "elaps"))

}

Answer 1

您可能想尝试该mongo.find.exhaust选项

cursor <- mongo.find(mongo, query, options=[mongo.find.exhaust])

如果确实适用于您的用例，这将是最简单的修复。

然而，rmongdb 驱动程序似乎缺少其他驱动程序上可用的一些额外功能。例如，JavaScript 驱动程序有一个Cursor.toArray方法。它直接将所有查找结果转储到数组中。R 驱动程序有一个mongo.bson.to.list功能，但 amongo.cursor.to.list可能就是您想要的。也许值得向驱动程序开发人员寻求建议。

一个巧妙的解决方案可能是创建一个新集合，其文档是每个原始文档的 100000 个数据“块”。然后，可以使用 有效地读取这些内容中的每一个mongo.bson.to.list。可以使用 mongo 服务器 MapReduce 功能构建分块集合。