json - 使用 -jsonArray 时 mongoimport 的速度非常慢

Question

我有一个超过 2500 万行的 15GB 文件，它是这种 json 格式(mongodb 接受导入:

[
    {"_id": 1, "value": "\u041c\..."}
    {"_id": 2, "value": "\u041d\..."}
    ...
]

当我尝试使用以下命令将其导入 mongodb 时，我得到的速度仅为每秒 50 行，这对我来说真的很慢。

mongoimport --db wordbase --collection sentences --type json --file C:\Users\Aleksandar\PycharmProjects\NLPSeminarska\my_file.json -jsonArray

当我尝试使用 python 和 pymongo 将数据插入集合时，速度更差。我也尝试过提高进程的优先级，但没有任何区别。

我尝试的下一件事是同样的事情，但没有使用 -jsonArray，虽然我的速度有了很大的提高(~4000/秒)，但它说提供的 JSON 的 BSON 表示太大了。

我还尝试将文件拆分为 5 个单独的文件，然后将它们从不同的控制台导入到同一个集合中，但我发现所有这些文件的速度都降低到了大约 20 个文档/秒。

当我在整个网络上搜索时，我看到人们的速度超过 8K 文档/秒，但我看不出我做错了什么。

有没有办法加快这件事，或者我应该将整个 json 文件转换为 bson 并以这种方式导入它，如果是的话，哪种是进行转换和导入的正确方法？

非常感谢。

Answer 1

我对 160Gb 的转储文件有完全相同的问题。我用了两天时间用 -jsonArray 加载了原始文件的 3%，并用了 15 分钟完成这些更改。

首先，删除开头的 [ 和结尾的 ] 字符:

sed 's/^\[//; s/\]$/' -i filename.json

然后不使用 -jsonArray 选项导入:

mongoimport --db "dbname" --collection "collectionname" --file filename.json

如果文件很大，sed 将花费很长时间，而且您可能会遇到存储问题。你可以改用这个 C 程序(不是我写的，所有荣耀归于@guillermobox):

int main(int argc, char *argv[])
{
    FILE * f;
    const size_t buffersize = 2048;
    size_t length, filesize, position;
    char buffer[buffersize + 1];

    if (argc < 2) {
        fprintf(stderr, "Please provide file to mongofix!\n");
        exit(EXIT_FAILURE);
    };

    f = fopen(argv[1], "r+");

    /* get the full filesize */
    fseek(f, 0, SEEK_END);
    filesize = ftell(f);

    /* Ignore the first character */
    fseek(f, 1, SEEK_SET);

    while (1) {
        /* read chunks of buffersize size */
        length = fread(buffer, 1, buffersize, f);
        position = ftell(f);

        /* write the same chunk, one character before */
        fseek(f, position - length - 1, SEEK_SET);
        fwrite(buffer, 1, length, f);

        /* return to the reading position */
        fseek(f, position, SEEK_SET);

        /* we have finished when not all the buffer is read */
        if (length != buffersize)
            break;
    }

    /* truncate the file, with two less characters */
    ftruncate(fileno(f), filesize - 2);

    fclose(f);

    return 0;
};

P.S.:我无权建议迁移这个问题，但我认为这可能会有所帮助。