Po dlouhém přemýšlení si myslím, že je možné realizovat, co chcete. Není však vhodný pro příliš velké databáze a inkrementální přístup jsem zatím nevypracoval. Postrádá odvození a zastavovací slova je třeba definovat ručně.
Cílem je použít mapReduce k vytvoření kolekce hledaných slov s odkazy na dokument původu a pole, ze kterého hledané slovo pochází. Vlastní dotaz na automatické doplňování se pak provádí pomocí jednoduché agregace, která využívá index, a proto by měl být poměrně rychlý.
Budeme tedy pracovat s následujícími třemi dokumenty
{
"name" : "John F. Kennedy",
"address" : "Kenson Street 1, 12345 Footown, TX, USA",
"note" : "loves Kendo and Sushi"
}
a
{
"name" : "Robert F. Kennedy",
"address" : "High Street 1, 54321 Bartown, FL, USA",
"note" : "loves Ethel and cigars"
}
a
{
"name" : "Robert F. Sushi",
"address" : "Sushi Street 1, 54321 Bartown, FL, USA",
"note" : "loves Sushi and more Sushi"
}
v kolekci nazvané textsearch .
Fáze mapy/zmenšení
V zásadě děláme to, že zpracujeme každé slovo v jednom ze tří polí, odstraníme zastavovací slova a čísla a uložíme každé slovo s _id dokumentu. a pole výskytu v mezilehlé tabulce.
Anotovaný kód:
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" }
)
Spuštění bude mít za následek vytvoření kolekce searchtst . Pokud již existoval, bude veškerý jeho obsah nahrazen.
Bude to vypadat nějak takto:
{ "_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 }
[...]
Zde je třeba poznamenat několik věcí. Za prvé, slovo může mít více výskytů, například s „FL“. Může však být v různých dokumentech, jako je tomu v tomto případě. Na druhou stranu slovo může mít také více výskytů v jednom poli jednoho dokumentu. Později toho využijeme ve svůj prospěch.
Za druhé, máme všechna pole, zejména word pole ve složeném indexu pro _id , což by mělo urychlit nadcházející dotazy. To však také znamená, že index bude poměrně velký a – jako u všech indexů – má tendenci zabírat RAM.
Fáze agregace
Takže jsme zredukovali seznam slov. Nyní se dotazujeme na (pod)řetězec. Co musíme udělat, je najít všechna slova začínající řetězcem, který uživatel dosud zadal, a vrátit seznam slov odpovídajících tomuto řetězci. Abychom to mohli udělat a získat výsledky ve formě pro nás vhodné, používáme agregaci.
Tato agregace by měla být docela rychlá, protože všechna pole potřebná k dotazování jsou součástí složeného indexu.
Zde je anotovaná agregace pro případ, kdy uživatel zadal písmeno 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}
}
)
Výsledek tohoto dotazu vypadá asi takto a měl by být docela samozřejmý:
{
"_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
}
Skóre 5 pro Sushi pochází ze skutečnosti, že slovo Sushi se vyskytuje dvakrát v poli poznámky jednoho z dokumentů. Toto je zamýšlené chování.
I když to může být řešení pro chudáka, musí být optimalizováno pro myriády myslitelných případů použití a vyžadovalo by implementaci inkrementálního mapReduce, aby bylo napůl užitečné v produkčním prostředí, funguje to podle očekávání. hth.
Upravit
Samozřejmě je možné vypustit $match fázi a přidejte $out fázi ve fázi agregace, aby byly výsledky předzpracovány:
db.searchtst.aggregate(
{
$group:{
_id:"$_id.word",
occurences:{ $push:{doc:"$_id.doc",field:"$_id.field"}},
score:{$sum:"$value"}
}
},{
$out:"search"
})
Nyní se můžeme dotazovat na výsledné search sběr, aby se věci urychlily. V podstatě vyměňujete výsledky v reálném čase za rychlost.
Úprava 2 :V případě, že se použije přístup předběžného zpracování, searchtst sbírka příkladu by měla být po dokončení agregace odstraněna, aby se ušetřilo místo na disku a – což je důležitější – drahocenná paměť RAM.