Find alle duplikerede dokumenter i en MongoDB-samling ved et nøglefelt

Det accepterede svar er frygtelig langsomt på store samlinger og returnerer ikke _id s af dubletposterne.

Aggregation er meget hurtigere og kan returnere _id s:

db.collection.aggregate([
  { $group: {
    _id: { name: "$name" },   // replace `name` here twice
    uniqueIds: { $addToSet: "$_id" },
    count: { $sum: 1 } 
  } }, 
  { $match: { 
    count: { $gte: 2 } 
  } },
  { $sort : { count : -1} },
  { $limit : 10 }
]);

I den første fase af aggregeringspipelinen samler $groupoperator dokumenter efter name felt og gemmer i uniqueIds hver _id værdien af ​​de grupperede poster. Operatoren $sum summerer værdierne af de felter, der sendes til den, i dette tilfælde konstanten 1 - derved tæller antallet af grupperede poster ind i count felt.

I anden fase af pipelinen bruger vi $matchto filtrere dokumenter med en count på mindst 2, dvs. dubletter.

Derefter sorterer vi de hyppigste dubletter først og begrænser resultaterne til top 10.

Denne forespørgsel udsender op til $limit poster med duplikerede navne sammen med deres _id s. For eksempel:

{
  "_id" : {
    "name" : "Toothpick"
},
  "uniqueIds" : [
    "xzuzJd2qatfJCSvkN",
    "9bpewBsKbrGBQexv4",
    "fi3Gscg9M64BQdArv",
  ],
  "count" : 3
},
{
  "_id" : {
    "name" : "Broom"
  },
  "uniqueIds" : [
    "3vwny3YEj2qBsmmhA",
    "gJeWGcuX6Wk69oFYD"
  ],
  "count" : 2
}