Po długim namyśle uważam, że można zrealizować to, co chcesz. Jednak nie nadaje się do bardzo dużych baz danych i nie wypracowałem jeszcze podejścia przyrostowego. Brakuje w nim tematów, a słowa stop muszą być zdefiniowane ręcznie.
Pomysł polega na użyciu mapReduce do stworzenia kolekcji wyszukiwanych słów z odniesieniami do dokumentu pochodzenia i pola, z którego pochodzi wyszukiwane słowo. Następnie, faktyczne zapytanie o autouzupełnianie odbywa się za pomocą prostej agregacji, która wykorzystuje indeks i dlatego powinna być dość szybka.
Dlatego będziemy pracować z następującymi trzema dokumentami
{
"name" : "John F. Kennedy",
"address" : "Kenson Street 1, 12345 Footown, TX, USA",
"note" : "loves Kendo and Sushi"
}
i
{
"name" : "Robert F. Kennedy",
"address" : "High Street 1, 54321 Bartown, FL, USA",
"note" : "loves Ethel and cigars"
}
i
{
"name" : "Robert F. Sushi",
"address" : "Sushi Street 1, 54321 Bartown, FL, USA",
"note" : "loves Sushi and more Sushi"
}
w kolekcji o nazwie textsearch .
Etap mapy/redukcji
To, co w zasadzie robimy, to przetwarzanie każdego słowa w jednym z trzech pól, usuwamy słowa i liczby stop i zapisujemy każde słowo z dokumentem _id oraz pole wystąpienia w tabeli pośredniej.
Kod z adnotacjami:
db.textsearch.mapReduce(
function() {
// We need to save this in a local var as per scoping problems
var document = this;
// You need to expand this according to your needs
var stopwords = ["the","this","and","or"];
// This denotes the fields which should be processed
var fields = ["name","address","note"];
// For each field...
fields.forEach(
function(field){
// ... we split the field into single words...
var words = (document[field]).split(" ");
words.forEach(
function(word){
// ...and remove unwanted characters.
// Please note that this regex may well need to be enhanced
var cleaned = word.replace(/[;,.]/g,"")
// Next we check...
if(
// ...wether the current word is in the stopwords list,...
(stopwords.indexOf(word)>-1) ||
// ...is either a float or an integer...
!(isNaN(parseInt(cleaned))) ||
!(isNaN(parseFloat(cleaned))) ||
// or is only one character.
cleaned.length < 2
)
{
// In any of those cases, we do not want to have the current word in our list.
return
}
// Otherwise, we want to have the current word processed.
// Note that we have to use a multikey id and a static field in order
// to overcome one of MongoDB's mapReduce limitations:
// it can not have multiple values assigned to a key.
emit({'word':cleaned,'doc':document._id,'field':field},1)
}
)
}
)
},
function(key,values) {
// We sum up each occurence of each word
// in each field in every document...
return Array.sum(values);
},
// ..and write the result to a collection
{out: "searchtst" }
)
Uruchomienie tego spowoduje utworzenie kolekcji searchtst . Jeśli już istniał, cała jego zawartość zostanie zastąpiona.
Będzie to wyglądać mniej więcej tak:
{ "_id" : { "word" : "Bartown", "doc" : ObjectId("544b9811fd9270c1492f5835"), "field" : "address" }, "value" : 1 }
{ "_id" : { "word" : "Bartown", "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "address" }, "value" : 1 }
{ "_id" : { "word" : "Ethel", "doc" : ObjectId("544b9811fd9270c1492f5835"), "field" : "note" }, "value" : 1 }
{ "_id" : { "word" : "FL", "doc" : ObjectId("544b9811fd9270c1492f5835"), "field" : "address" }, "value" : 1 }
{ "_id" : { "word" : "FL", "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "address" }, "value" : 1 }
{ "_id" : { "word" : "Footown", "doc" : ObjectId("544b7e44fd9270c1492f5834"), "field" : "address" }, "value" : 1 }
[...]
{ "_id" : { "word" : "Sushi", "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "name" }, "value" : 1 }
{ "_id" : { "word" : "Sushi", "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "note" }, "value" : 2 }
[...]
Należy tutaj zwrócić uwagę na kilka rzeczy. Przede wszystkim słowo może mieć wiele wystąpień, na przykład z „FL”. Może być jednak w różnych dokumentach, tak jak w tym przypadku. Z drugiej strony słowo może mieć wiele wystąpień w jednym polu pojedynczego dokumentu. Wykorzystamy to na naszą korzyść później.
Po drugie, mamy wszystkie pola, w szczególności word pole w indeksie złożonym dla _id , co powinno sprawić, że nadchodzące zapytania będą dość szybkie. Oznacza to jednak również, że indeks będzie dość duży i – jak w przypadku wszystkich indeksów – ma tendencję do pochłaniania pamięci RAM.
Etap agregacji
Skróciliśmy więc listę słów. Teraz pytamy o (pod)ciąg. To, co musimy zrobić, to znaleźć wszystkie słowa zaczynające się od ciągu, który użytkownik wpisał do tej pory, zwracając listę słów pasujących do tego ciągu. Aby móc to zrobić i uzyskać wyniki w odpowiedniej dla nas formie, używamy agregacji.
Ta agregacja powinna być dość szybka, ponieważ wszystkie niezbędne pola do zapytania są częścią indeksu złożonego.
Oto agregacja z adnotacjami dla przypadku, gdy użytkownik wpisał literę S :
db.searchtst.aggregate(
// We match case insensitive ("i") as we want to prevent
// typos to reduce our search results
{ $match:{"_id.word":/^S/i} },
{ $group:{
// Here is where the magic happens:
// we create a list of distinct words...
_id:"$_id.word",
occurrences:{
// ...add each occurrence to an array...
$push:{
doc:"$_id.doc",
field:"$_id.field"
}
},
// ...and add up all occurrences to a score
// Note that this is optional and might be skipped
// to speed up things, as we should have a covered query
// when not accessing $value, though I am not too sure about that
score:{$sum:"$value"}
}
},
{
// Optional. See above
$sort:{_id:-1,score:1}
}
)
Wynik tego zapytania wygląda mniej więcej tak i powinien być dość oczywisty:
{
"_id" : "Sushi",
"occurences" : [
{ "doc" : ObjectId("544b7e44fd9270c1492f5834"), "field" : "note" },
{ "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "address" },
{ "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "name" },
{ "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "note" }
],
"score" : 5
}
{
"_id" : "Street",
"occurences" : [
{ "doc" : ObjectId("544b7e44fd9270c1492f5834"), "field" : "address" },
{ "doc" : ObjectId("544b9811fd9270c1492f5835"), "field" : "address" },
{ "doc" : ObjectId("544bb320fd9270c1492f583c"), "field" : "address" }
],
"score" : 3
}
Wynik 5 dla Sushi wynika z tego, że słowo Sushi występuje dwukrotnie w polu notatek jednego z dokumentów. To jest zamierzone zachowanie.
Chociaż może to być rozwiązanie dla ubogich, musi być zoptymalizowane pod kątem niezliczonych możliwych przypadków użycia i wymagałoby zaimplementowania przyrostowego mapReduce, aby było w połowie użyteczne w środowiskach produkcyjnych, działa zgodnie z oczekiwaniami. h.
Edytuj
Oczywiście można było upuścić $match etap i dodaj $out w fazie agregacji w celu wstępnego przetworzenia wyników:
db.searchtst.aggregate(
{
$group:{
_id:"$_id.word",
occurences:{ $push:{doc:"$_id.doc",field:"$_id.field"}},
score:{$sum:"$value"}
}
},{
$out:"search"
})
Teraz możemy wysłać zapytanie do wynikowego search zbieranie w celu przyspieszenia rzeczy. Zasadniczo wymieniasz wyniki w czasie rzeczywistym na szybkość.
Edytuj 2 :W przypadku zastosowania podejścia wstępnego przetwarzania, searchtst kolekcja przykładu powinna zostać usunięta po zakończeniu agregacji w celu zaoszczędzenia zarówno miejsca na dysku, jak i – co ważniejsze – cennej pamięci RAM.
