r - 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，但我正在处理数百万个小文档，可能是 100M 或更多。我正在使用作者在网站上建议的方法: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 while 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 100 万，按照这个速度，我需要一周的时间来构建数据框。

编辑:我注意到while循环中的向量越多，它变得越慢。我现在尝试为每个向量分别循环。虽然看起来仍然像一个 hack，但一定有更好的方法。

编辑 2:我对 data.table 有一些运气。它仍在运行，但看起来它将在 4 小时内完成 12M(这是我当前的测试集)，这是一个进步，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 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，这将是最简单的解决方法。

但是 rmongodb 驱动程序似乎缺少其他驱动程序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 函数，但 mongo.cursor.to.list 可能是你想要的。可能值得向驱动程序开发人员寻求建议。

一个 hacky 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“ block ”。然后这些中的每一个都可以用 mongo.bson.to.list 有效地读取。可以使用 mongo 服务器 MapReduce 功能构建分 block 集合。