MongoDB-aggregate流式计算：带条件的关联查询使用案例分析

在数据库的查询中，是一定会遇到表关联查询的。当两张大表关联时，时常会遇到性能和资源问题。这篇文章就是用一个例子来分享MongoDB带条件的关联查询发挥的作用。

假设工作环境中有两张MongoDB集合：SC_DATA（学生基本信息集合）、DICT_DATA（值域字典集合），集合结构如下：

SC_DATA
uniqueid	学生唯一号
sfzid	学生身份证
xsxm	学生姓名
mz	民族
xb	性别

DICT_DATA
clss	字典类别
value	字典值域
map	字典值域映射值
version	字典版本

 现在分别给这两张表插入一些测试数据，给SC_DATA插入10条数据，给DICT_DATA插入6条数据

db.SC_DATA.insertMany([{ "uniqueid" : "10001", "sfzid" : "3715xxxx0813", "xsxm" :"张一","mz":"1","xb":"1" },{ "uniqueid" : "10002", "sfzid" : "3715xxxx0814", "xsxm" :"张二","mz":"1","xb":"1" },{ "uniqueid" : "10003", "sfzid" : "3715xxxx0815", "xsxm" :"张三","mz":"1","xb":"1" },{ "uniqueid" : "10004", "sfzid" : "3715xxxx0816", "xsxm" :"张四","mz":"1","xb":"b" },{ "uniqueid" : "10005", "sfzid" : "3715xxxx0817", "xsxm" :"张五","mz":"a","xb":"1" },{ "uniqueid" : "10006", "sfzid" : "3715xxxx0819", "xsxm" :"张六","mz":"1","xb":"b" },{ "uniqueid" : "10007", "sfzid" : "3715xxxx0823", "xsxm" :"张七","mz":"1","xb":"1" },{ "uniqueid" : "10008", "sfzid" : "3715xxxx0833", "xsxm" :"张八","mz":"1","xb":"1" },{ "uniqueid" : "10009", "sfzid" : "3715xxxx0843", "xsxm" :"张九","mz":"1","xb":"1" },{ "uniqueid" : "100010", "sfzid" : "3715xxxx0853", "xsxm" :"张十","mz":"1","xb":"1" },
])

db.DICT_DATA.insertMany([{ "clss" : "民族", "value" : "汉族", "map" :"1","version":"v1.0"},{ "clss" : "民族", "value" : "壮族", "map" :"2","version":"v1.0"},{ "clss" : "民族", "value" : "满族", "map" :"3","version":"v1.0"},{ "clss" : "民族", "value" : "回族", "map" :"4","version":"v1.0"},{ "clss" : "性别", "value" : "男",   "map" :"1","version":"v1.0"},{ "clss" : "性别", "value" : "女",   "map" :"2","version":"v1.0"}])

此时，有个需求是 “统计出SC_DATA集合中民族、性别字段在字典值域内的数据”！

         一般呢，思路是利用两集合关联，过滤出能关联上的数据。MongoDB的$lookup操作符类似于关系数据库的左连接，根据当前实际情况，用大表（SC_DATA.mz、SC_DATA.xb）左连接小表（DICT_DATA.map），能关联上的数据就是SC_DATA集合中民族、性别字段在字典值域内的数据！

        一般呢，就直接用了$lookup进行关联了，但是，观察下DICT_DATA字典数据，承担关联任务的字段——map，有多个相同值，必须加上clss条件过滤才能得出准确数据，代码如下。

db.SC_DATA.aggregate([{$lookup: {from: "DICT_DATA",localField: "mz",foreignField: "map",as: "DICT_DATA"}},{$unwind: {path: "$DICT_DATA",preserveNullAndEmptyArrays: true}},{$match: {"DICT_DATA.clss": "民族"}},{$group: {_id: null,count: {$sum: 1}}}])

        但是，诸位请看，上面的代码是先关联，再过滤。通过compass工具分阶段查看，可以更清晰的看到关联后，因为DICT_DATA.map存在重复值，所以如果SC_DATA能和DICT_DATA关联上的话，数据会翻倍。

        对于我们上面的测试数据，SC_DATA有10条测试数据，和DICT_DATA关联后数据量是19条，过滤clss后是9条。大家可能觉得这种还好，但是如果SC_DATA有上千万条数据，DICT_DATA的数据更多，重复值更多，这样关联出来的数据是非常惊人的，效率也会变得奇慢无比，甚至会造成数据库卡死。

        如果能够在关联出结果前，就进行过滤，就会让更少量的数据进入到下一个MongoDB聚合管道，就会消耗更少量的资源。

这里也就引出了这篇文章的主角：带条件的$lookup，语法格式如下：

{$lookup:{from: <joined collection>,let: { <var_1>: <expression>, …, <var_n>: <expression> },pipeline: [ <pipeline to run on joined collection> ],as: <output array field>}
}

参数说明如下：

参数	说明
from	指定待执行连接操作的集合，是当前集合【可以看下面的例子理解】
let	指定各个管道阶段使用的变量，这里的变量可以放到pipeline中使用； 这里指定的都是自身当前集合中的字段变量； 这里指定变量的时候以 col_name:$col_name的形式，在pipeline中使用的时候以 $$col_name形式 使用；
pipeline	1、pipeline中，可以使用let中指定的变量，也可以使用当前集合中的字段； 2、pipeline中，$match阶段需要使用$expr操作符来访问变量，$expr允许在$match中使用聚合表达式； 3、pipeline中，放置在$expr上的$eq、$lt、$lte、$gt、$gte比较操作符，可以使用$lookup阶段引用的 from集合上的索引； 3.1、使用索引的限制一：不使用多键索引； 3.2、使用索引的限制二：当操作的数量比较大，或者操作数据类型没有定义时，不使用索引； 3.3、使用索引的限制三：索引只能用于字段和常量之间的比较，变量和变量之间的比较不能使用索引； 4、pipeline中，非$match阶段，不需要使用$expr操作符来访问变量
as	指定要添加到已连接文档的新数量字段的名称。新的大量字段包含来自加入的收集的匹配文档。如果指定的名称已存在于所连接的文档中，则现有字段将被覆盖。

        针对  “统计出SC_DATA集合中民族、性别字段在字典值域内的数据”！这个需求，我们就可以将其写为如下代码！

db.SC_DATA.aggregate([{$lookup: {from: "DICT_DATA",let: {mz: "$mz"},pipeline: [{$match: {$expr: {$and: [{$eq: ["$map", "$$mz"]},{$eq: ["$clss", "民族"]}]}}}],as: "DICT_DATA"}},{$unwind: {path: "$DICT_DATA",preserveNullAndEmptyArrays: true}},{$match: {"DICT_DATA.map": {$ne: null}}},{$group: {_id: null,count: {$sum: 1}}}])

        从compass工具中，可以更清晰的看到数据量变化。此时，因为在输出关联数据前，先进行了过滤。这种写法可以消耗更少的数据库及系统资源，但在索引使用上和正常关联略有区别需要注意。