R:使用rmongodb加快数据导入速度

Question

考虑一个Mongo数据库，其中每个条目都具有以下数据结构。

{
    "_id" : ObjectId("numbersandletters"),
    "hello" : 0,
    "this" : "AUTO",
    "is" : "34.324.25.53",
    "an" : "7046934",
    "example" : 0,
    "data" : {
        "google" : "SEARCH",
        "wikipedia" : "Placeholder",
        "twitch" : "2016",
        "twitter" : "More_placeholder",
        "facebook" : "Run out of ideas",
        "stackoverflow" : "is great",
    },
    "schema" : "",
    "that" : "",
    "illustrates" : 0,
    "the_point" : "/somethinghere.html",
    "timestamp" : ISODate("2016-03-05T04:53:20.000Z")
}

上述数据结构是单个数据观测的一个例子。数据库中大约有1 200万次观测。数据结构中的字段"this“可以具有”自动“或”手动“的属性。

目前，我正在使用rmongodb库将Mongo中的一些数据导入R中，然后将结果列表转换为数据框架。

R代码如下：

library(rmongodb)

m <- mongo.create(host = "localhost", db = "example")

rawData <- mongo.find.all(m, "example.request", query = list(this = "AUTO"), 
                           fields = list(hello = 1L, is = 1L, an = 1L, data.facebook = 1L, the_point = 1L))

rawData <- data.frame(matrix(unlist(rawData), nrow = length(rawData), byrow = TRUE))

上面的代码适用于相对较小的数据集(例如，<100万次观测)，但对于1200万次数据集来说则是缓慢的。

是否有一种更聪明(因而更快)的方法从Mongo导入数据，然后将结果数据投影到R数据帧中？

干杯。

Answer 1

请看一下蒙高岭石包。你应该在几百万的结果中得到一些速度的提升。

library(mongolite)
mongo <- mongo(collection = "request", db = "example", url = "mongodb://localhost") 

df <- mongo$find(query = '{ "this" : "AUTO" }', fields = '{ "_id" : 0, "hello" : 1, "is" : 1, "an" : 1, "data.facebook" : 1, "the_point" : 1 }')

但是，随着结果集的增长，转换为data.frame的过程会减慢。

出于这个原因，我一直在尝试加快mongolite的速度，方法是删除递归调用，尝试并平缓查询中的JSON结构，并依赖data.table来rbindlist游标(以避免将其转换为data.frame的mongolite::simplify函数)。这将返回一个data.table对象

这个蒙哥利特包仍在开发中，您发送的任何查询都必须能够通过rbindlist强制进入data.table。在pacakge主页上，我添加了一些基准来显示速度。

## install the package with
library(devtools)
install_github("SymbolixAU/mongolitedt")

library(mongolitedt)
## requires data.table and mongolite

# rm(mongo); gc()
mongo <- mongo(collection = "request", db = "example", url = "mongodb://localhost") 
bind_mongolitedt(mongo)   ## bind dt functions to mongolite connection object


dt <- mongo$finddt(query = '{ "this" : "AUTO" }', fields = '{ "_id" : 0, "hello" : 1, "is" : 1, "an" : 1, "data.facebook" : 1, "the_point" : 1 }')