大数据量一次性导入MongoDB

大数据量一次性导入MongoDB

---

---

0. 写在前面

• Linux：Ubuntu16.04 Kylin
• MongoDB：3.2.7
• 数据文件大小：13518条

1. 前置芝士

mongoimport命令可以将数据文件导入到MongoDB数据库中。

该命令的使用方式如下：

zhangsan@node01:/usr/local/mongodb-3.2.7/bin$ ./bin/mongoimport --help
options:
  --help                  produce help message
  -v [ --verbose ]        be more verbose (include multiple times for more 
                          verbosity e.g. -vvvvv)
  --version               print the program's version and exit
  -h [ --host ] arg       mongo host to connect to ( <set name>/s1,s2 for sets)
  --port arg              server port. Can also use --host hostname:port
  --ipv6                  enable IPv6 support (disabled by default)
  -u [ --username ] arg   username
  -p [ --password ] arg   password
  --dbpath arg            directly access mongod database files in the given 
                          path, instead of connecting to a mongod  server - 
                          needs to lock the data directory, so cannot be used 
                          if a mongod is currently accessing the same path
  --directoryperdb        if dbpath specified, each db is in a separate 
                          directory
  --journal               enable journaling
  -d [ --db ] arg         database to use
  -c [ --collection ] arg collection to use (some commands)
  -f [ --fields ] arg     comma separated list of field names e.g. -f name,age
  --fieldFile arg         file with fields names - 1 per line
  --ignoreBlanks          if given, empty fields in csv and tsv will be ignored
  --type arg              type of file to import.  default: json (json,csv,tsv)
  --file arg              file to import from; if not specified stdin is used
  --drop                  drop collection first 
  --headerline            CSV,TSV only - use first line as headers
  --upsert                insert or update objects that already exist
  --upsertFields arg      comma-separated fields for the query part of the 
                          upsert. You should make sure this is indexed
  --stopOnError           stop importing at first error rather than continuing
  --jsonArray             load a json array, not one item per line. Currently 
                          limited to 4MB.

可以看到--type参数，mongoimport命令默认导入的数据文件格式为:JSON，同时也支持csv和tsv格式
本文的原始数据是txt格式，故已经提前利用Python将数据格式转换为JOSN格式。
--jsonArray参数在后面需要用到。

2. mongoimport命令导入JSON文件数据失败

将数据导入到数据库db_books下的集合tb_books中，导入命令如下：

zhangsan@node01:/usr/local/mongodb-3.2.7/bin$ ./mongoimport --db db_books --collection tb_books --file /home/zhangsan/windowsUpload/data/tb_books.json

但是却出现以下报错信息，信息如下:

2022-11-20T22:11:00.034-0700    connected to: localhost
2022-11-20T22:11:00.035-0700    Failed: error unmarshaling bytes on document #0: JSON decoder out of sync - data changing underfoot?
2022-11-20T22:11:00.035-0700    imported 0 documents

可以看到，在导入第一行数据时就出现error，首先检查了数据文件JSON格式并没有出错，经过查找，需要添加--jsonArray参数进去

zhangsan@node01:/usr/local/mongodb-3.2.7/bin$ ./mongoimport --db db_books --collection tb_books --jsonArray --file /home/zhangsan/data/tb_books.json

如果是CSV格式，导入命令如下：

zhangsan@node01:/usr/local/mongodb-3.2.7/bin$ ./mongoimport --db db_books --collection tb_books --type csv --file /home/zhangsan/data/tb_books.csv --headerline

3. db.COLLECTION.count()返回值不正确

数据导入一共是13518条，但是Shell命令行中执行count()返回值少于13518

如果每条数据的_id是从0开始递增到13518的，那添加以下参数即可返回正确的数据条数

db.tb_books.count({_id: {$exists: true}})

但是此种方式查询会很慢，原因是：count()使用参数会强制count不使用集合的元数据，而是扫描集合

针对这个问题(https://jira.mongodb.org/browse/SERVER-19472)，如果mongodb经历了一次硬崩溃，并且没有被优雅地关闭，那么诸如’db.stats.objects’、‘db..stats.count’,、'db..count()'返回的值是无效的。如果不发布任何查询，mongodb可能只是回到了收集的统计数据这一步骤上。

解决方法如下：使用validate(true)

> db.tb_books.count()
10137
> db.tb_books.find({}).toArray().length
13518
> db.tb_books.validate(true)

4. 数据导入不完全

使用mongoimport命令导入JSON数据不完全，需要使用--batchSize xxxx参数指定有多少个worker进行批量导入。

zhangsan@node01:/usr/local/mongodb-3.2.7/bin$ ./mongoimport --db db_books --collection tb_books --file /home/zhangsan/windowsUpload/data/tb_books.json --batchSize 100

5. 参考资料

• count()返回值不正确1 (批注1)
• count()返回值不正确(批注2)
• 数据导入不完全 (批注3)