mongodb 导入数据怎么破

[dtgxx]

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

[wupher]

那就不要用唯一性索引

[dtgxx]

@wupher #1 尴尬。。。这个是刚需。。

[abcbuzhiming]

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

[dtgxx]

@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。

[jiangzhuo]

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。

[dtgxx]

@jiangzhuo #5 你这个建议蛮不错的，以后遇到需求感觉可以这么试试，挺好。只是目前这部分数据价格比较高买的，不太想放到别人服务器。

[594duck]

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

[billlee]

你导进去要干嘛？这样即使能导完用起来还是会很慢啊

[dtgxx]

@billlee #8 查询用，之前不加联合索引是查询是很快的，两百亿数据查询，差不多 50ms 就能返回。

[dtgxx]

@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。

[zxlzy]

@dtgxx 他这个建议是最靠谱的了，至于数据价格贵…… 多少大中小互联网公司生死存亡的数据都放在阿里云和 aws 上了。

[entertainyou]

分表？

[594duck]

@dtgxx 200 亿 50ms 返回？纯文本文件 200 亿行，grep 一下中间的文件，50ms 都回不了。

要么你这技术已经很到家了，要么我淘汰了

[showhand]

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

[wupher]

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。

[dtgxx]

@zxlzy #11 放阿里云 aws 基本都是民口的。

[JCZ2MkKb5S8ZX9pq]

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。

[dtgxx]

@wupher #15 确实是，感觉之前的不使用索引的方式也可以，只是下游取的时候得自己做去重了，而且增量订阅的时候，每次更新的数据量也越来越大了。

[dtgxx]

@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。

[zhuifeng1017]

用 mongoimport 导入 csv 或 tsv，重复数据会自动跳过的

[dtgxx]

@zhuifeng1017 #20 啊 大佬，这个哪里有说明吗，真是这样就太好啦

[JCZ2MkKb5S8ZX9pq]

@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？

[windyland]

所以为什么不试试阿里云开内存盘呢。。。。。。？

[dtgxx]

@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。

[JCZ2MkKb5S8ZX9pq]

@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。

[dtgxx]

@JCZ2MkKb5S8ZX9pq #25 联合唯一索引，唯一指的就是 unique 。

[JCZ2MkKb5S8ZX9pq]

@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。

[wupher]

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

[dtgxx]

@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。

[joApioVVx4M4X6Rf]

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

[smallgoogle]

哎。别说了。才弄完。5 亿数据。

[dtgxx]

@v2exblog #30 没太明白，把数据分成 1 万份，不也需要每一份都去重吗。
@smallgoogle 共勉老铁。

[kuafou]

@dtgxx 问题解决了吗？

[dtgxx]

@kuafou #33 只能导入之后，去重，再建索引，去重也非常慢，不过目前没有别的好办法。去重虽然慢，但是要远远快于提前建好索引的情况。