MongoDB 与 $sample 的聚合非常慢

Question

有很多方法可以从 mongodb 集合中 select 随机文档（正如聚合框架中讨论的那样 in this answer). Comments point out that with mongodb version >= 3.2 then using $sample 是首选。但是，对于包含许多小文档的集合，这似乎非常慢。

以下代码使用 mongoengine 模拟问题并将其与 "skip random" 方法进行比较：

import timeit
from random import randint

import mongoengine as mdb

mdb.connect("test-agg")


class ACollection(mdb.Document):
    name = mdb.StringField(unique=True)

    meta = {'indexes': ['name']}


ACollection.drop_collection()

ACollection.objects.insert([ACollection(name="Document {}".format(n)) for n in range(50000)])


def agg():
    doc = list(ACollection.objects.aggregate({"$sample": {'size': 1}}))[0]
    print(doc['name'])

def skip_random():
    n = ACollection.objects.count()
    doc = ACollection.objects.skip(randint(1, n)).limit(1)[0]
    print(doc['name'])


if __name__ == '__main__':
    print("agg took {:2.2f}s".format(timeit.timeit(agg, number=1)))
    print("skip_random took {:2.2f}s".format(timeit.timeit(skip_random, number=1)))

结果是：

Document 44551
agg took 21.89s
Document 25800
skip_random took 0.01s

过去，无论我遇到 mongodb 的性能问题，我的答案始终是使用聚合框架，所以我很惊讶 $sample 这么慢。

我是不是漏掉了什么？这个例子是什么导致聚合花费这么长时间？

Answer 1

这是 known bug in the WiredTiger engine in versions of mongodb < 3.2.3. Upgrading to the latest version 应该解决的结果。

Answer 2

我可以确认 3.6 中没有任何变化缓慢的 $sample 问题仍然存在。

~40m 小文档集合，无索引，Windows Server 2012 x64.

存储： wiredTiger.engineConfig.journalCompressor: zlib wiredTiger.collectionConfig.blockCompressor: zlib

2018-04-02T02:27:27.743-0700 我命令 [conn4] 命令 maps.places

command: aggregate { aggregate: "places", 管道: [ { $sample: { size: 10 } } ],

 cursor: {}, lsid: { id: UUID("0e846097-eecd-40bb-b47c-d77f1484dd7e") }, $readPreference: { mode: "secondaryPreferred" }, $db: "maps" } planSummary: MULTI_ITERATOR keysExamined:0 docsExamined:0 cursorExhausted:1 numYields:3967 nreturned:10 reslen:550 locks:{ Global: { acquireCount: { r: 7942 } }, Database: { acquireCount: { r: 3971 } }, Collection: { acquireCount: { r: 3971 } } }

协议：op_query 72609ms

我已经安装了 Mongo 以在一个严肃的项目中尝试这个“现代和高性能的 DBMS”。我有多沮丧。

解释计划在这里：

db.command('aggregate', 'places', pipeline=[{"$sample":{"size":10}}], explain=True)

 {'ok': 1.0,
  'stages': [{'$cursor': {'query': {},
    'queryPlanner': {'indexFilterSet': False,
     'namespace': 'maps.places',
     'plannerVersion': 1,
     'rejectedPlans': [],
     'winningPlan': {'stage': 'MULTI_ITERATOR'}}}},
  {'$sampleFromRandomCursor': {'size': 10}}]}

Answer 3

对于那些对 $sample 感到困惑的人，$sample 在以下条件下是有效的：

$sample 是管道的第一阶段
N 不到集合中文档总数的 5%
该集合包含 100 多个文档

如果不满足上述任何条件，$sample 执行集合扫描，然后对 select N 文档进行随机排序。

更多信息：https://docs.mongodb.com/manual/reference/operator/aggregation/sample/

Answer 4

Mongo 表示

如果满足以下所有条件，$sample 使用伪随机游标 select 文档：

$sample 是流水线的第一阶段
N 小于集合中文档总数的 5%
该集合包含超过 100 个文档

如果不满足上述任何条件，$sample 将执行集合扫描，然后对 select N 个文档进行随机排序。在这种情况下，$sample 阶段受排序内存限制。

我相信你的情况mongo进行全面扫描

参考：https://docs.mongodb.com/manual/reference/operator/aggregation/sample/

MongoDB 与 $sample 的聚合非常慢

MongoDB Aggregation with $sample very slow

mongodb

pymongo

mongoengine