java MongoDB分页优化

最近项目在做网站用户数据新访客统计，数据存储在MongoDB中，统计的数据其实也并不是很大，1000W上下，但是公司只配给我4G内存的电脑，让我程序跑起来气喘吁吁...很是疲惫不堪。

最常见的问题莫过于查询MongoDB内存溢出，没办法只能分页查询。这种思想大家可能都会想到，但是如何分页，确实多有门道！

网上用的最多的，也是最常见的分页采用的是skip+limit这种组合方式，这种方式对付小数据倒也可以，但是对付上几百上千万的大数据，却只能望而兴叹...

经过网上各种查找资料，寻师问道的，发现了一种速度足以把skip+limit组合分页甩出几条街的方法。

思路: 条件查询+排序+限制返回记录。边查询，边排序，排序之后，抽取第一次分页中的最后一条记录，作为第二次分页的条件，进行条件查询，以此类推....

先上代码：

/**
* 小于指定日期的所有根据UUID分组的访问记录
* @param 指定日期
* @return 所有访问记录的MAP
*/
public static Multimap<String, Map<String, String>> getOldVisitors(String date){

//每次查询的记录数
int pagesize = 100000;

//mongodb中的"_id"
String objectId = "";

//方法的返回值类型，此处用的google guava
Multimap<String, Map<String, String>> mapless = null;

//查询的条件
BasicDBObject queryless = new BasicDBObject(),fields = new BasicDBObject(),field = new BasicDBObject();

//初始化返回的mongodb集合操作对象，大家可以写个数据连接池
dbCol = init();

//查询指定字段，字段越少，查询越快，当然都是一些不必要字段
field.put("uuid",1);

fields.put("uuid", 1);

fields.put("initTime", 1);

//小于指定日期的条件
String conditionless = TimeCond.getTimeCondless(date);

queryless.put("$where", conditionless);

DBCursor cursorless = dbCol.find(queryless,field);

//MongoDB在小于指定日期条件下，集合总大小
int countless = cursorless.count();

//查询遍历的次数 circleCountless+1
int circleCountless = countless/pagesize;

//取模，这是最后一次循环遍历的次数
int modless = countless%pagesize;

//开始遍历查询
for (int i = 1; i <=circleCountless+1; i++) {

//文档对象
DBObject obj = null;

//将游标中返回的结果记录到list集合中，为什么放到list集合中？这是为后面guava 分组做准备
List<Map<String, String>> listOfMaps = new ArrayList();

//如果条件不为空，则加上此条件，构成多条件查询，这一步是分页的关键
if (!"".equals(objectId)) {

//我们通过文档对象obj.get("_id")返回的是不带ObjectId(),所以要求此步骤
ObjectId id = new ObjectId(objectId);

queryless.append("_id", new BasicDBObject("$gt",id));

}

if (i<circleCountless+1) {

cursorless = dbCol.find(queryless,fields).sort(new BasicDBObject("_id", 1)).limit(pagesize);

}else if(i==circleCountless+1){//最后一次循环

cursorless = dbCol.find(queryless,fields).limit(modless);
}

//将游标中返回的结果记录到list集合中，为什么放到list集合中？这是为后面guava 分组做准备
while (cursorless.hasNext()) {

obj = cursorless.next();

listOfMaps.add((Map<String, String>) obj);

}
//获取一次分页中最后一条记录的"_id"，然后作为条件传入到下一个循环中
if (null!=obj) {

objectId = obj.get("_id").toString();

}
//第一次分组，根据uuid分组,分组除今天之外的历史数据
mapless = Multimaps.index(
listOfMaps,new Function<Map<String, String>, String>() {
public String apply(final Map<String, String> from) {

return from.get("uuid");
}
});

}

return mapless;
}

本人初来乍到，写出的代码自然不是那么优雅难懂，况且注释写的自认为还是比较清楚，如果大家有疑问的，或者有更优雅的办法可以留言评论...

这里为什么要用"_id"这个字段作为分页的条件？其实，我也用过其他字段，比如时间字段，时间字符串也是可以比大小的，但它的效率远不如"_id"高。

关于MongoDB中的"_id",以前一直忽略它的作用，直接结果是让我耗了很多时间和精力，绕了大半圈，又回到了原点，有一种众里寻他千百度，蓦然回首，那人却在灯火阑珊处的感觉...

MongoDB ObjectId

“4e7020cb7cac81af7136236b”这个24位的字符串，虽然看起来很长，也很难理解，但实际上它是由一组十六进制的字符构成，每个字节两位的十六进制数字，总共用了12字节的存储空间。相比MYSQLint类型的4个字节，MongoDB确实多出了很多字节。不过按照现在的存储设备，多出来的字节应该不会成为什么瓶颈。不过MongoDB的这种设计，体现着空间换时间的思想。官网中对ObjectId的规范，如图所示：



1)Time

时间戳。将刚才生成的objectid的前4位进行提取“4e7020cb”，然后按照十六进制转为十进制，变为“1315971275”，这个数字就是一个时间戳。通过时间戳的转换，就成了易看清的时间格式。

2)Machine

机器。接下来的三个字节就是“7cac81”，这三个字节是所在主机的唯一标识符，一般是机器主机名的散列值，这样就确保了不同主机生成不同的机器hash值，确保在分布式中不造成冲突，这也就是在同一台机器生成的objectId中间的字符串都是一模一样的原因。

3)PID

进程ID。上面的Machine是为了确保在不同机器产生的objectId不冲突，而pid就是为了在同一台机器不同的mongodb进程产生了objectId不冲突，接下来的“af71”两位就是产生objectId的进程标识符。

4)INC

自增计数器。前面的九个字节是保证了一秒内不同机器不同进程生成objectId不冲突，这后面的三个字节“36236b”是一个自动增加的计数器，用来确保在同一秒内产生的objectId也不会发现冲突，允许256的3次方等于16777216条记录的唯一性。

总的来看，objectId的前4个字节时间戳，记录了文档创建的时间；接下来3个字节代表了所在主机的唯一标识符，确定了不同主机间产生不同的objectId；后2个字节的进程id，决定了在同一台机器下，不同mongodb进程产生不同的objectId；最后通过3个字节的自增计数器，确保同一秒内产生objectId的唯一性。ObjectId的这个主键生成策略，很好地解决了在分布式环境下高并发情况主键唯一性问题，值得学习借鉴。