Python 如何以1000为单位阅读整个集合？

我需要用Python代码读取MongoDB中的整个集合（集合名称为“test”）。我试着

    self.__connection__ = Connection('localhost',27017)
    dbh = self.__connection__['test_db']            
    collection = dbh['test']

---

如何将集合以1000块的形式读取（避免内存溢出，因为集合可能非常大）

使用光标。游标有一个“batchSize”变量，用于控制在执行查询后，每批实际发送给客户端的文档数量。不过，您不必触摸此设置，因为默认设置很好，而且在大多数驱动程序中，调用“getmore”命令的复杂性是隐藏的。我不熟悉pymongo，但它的工作原理如下：

cursor = db.col.find() // Get everything!

while(cursor.hasNext()) {
    /* This will use the documents already fetched and if it runs out of documents in it's local batch it will fetch another X of them from the server (where X is batchSize). */
    document = cursor.next();

    // Do your magic here
}

---

我同意雷蒙的观点，但你提到了1000批次，他的回答并没有真正涵盖。您可以在光标上设置批次大小：

cursor.batch_size(1000);

您也可以跳过记录，例如：

cursor.skip(4000);

---

这就是你要找的吗？这实际上是一种分页模式。但是，如果您只是试图避免内存耗尽，那么实际上不需要设置批大小或跳过。

要使用Pymongo创建当前Python 2中的初始连接，请执行以下操作：

host = 'localhost'
port = 27017
db_name = 'test_db'
collection_name = 'test'

使用MongoClient进行连接

# Connect to MongoDB
client = MongoClient(host=host, port=port)
# Make a query to the specific DB and Collection
dbh = client[dbname]
collection = dbh[collection_name]

因此，从这里可以找到正确的答案。 我想使用块（在本例中为1000大小）进行阅读

例如，我们可以决定需要多少块大小（chunksize）

其中，本例中的查询是

query={}

我使用类似的想法从MongoDB创建数据帧。 我使用类似的方法来分块编写MongoDB

---

我希望它能有所帮助。

受@Rafael Valero+的启发，修复了代码中的最后一个块缺陷，并使其更加通用。我创建了生成器函数，通过查询和投影迭代mongo集合：

def iterate_by_chunks(collection, chunksize=1, start_from=0, query={}, projection={}):
   chunks = range(start_from, collection.find(query).count(), int(chunksize))
   num_chunks = len(chunks)
   for i in range(1,num_chunks+1):
      if i < num_chunks:
          yield collection.find(query, projection=projection)[chunks[i-1]:chunks[i]]
      else:
          yield collection.find(query, projection=projection)[chunks[i-1]:chunks.stop]

然后按块进行迭代：

chunk_n=0
total_docs=0
for docs in mess_chunk_iter:
   chunk_n=chunk_n+1        
   chunk_len = 0
   for d in docs:
      chunk_len=chunk_len+1
      total_docs=total_docs+1
   print(f'chunk #: {chunk_n}, chunk_len: {chunk_len}')
print("total docs iterated: ", total_docs)

chunk #: 1, chunk_len: 400
chunk #: 2, chunk_len: 400
chunk #: 3, chunk_len: 400
chunk #: 4, chunk_len: 400
chunk #: 5, chunk_len: 400
chunk #: 6, chunk_len: 400
chunk #: 7, chunk_len: 281
total docs iterated:  2681

---

下面是一个按批迭代任何迭代器或生成器的通用解决方案：

def _as_batch(cursor, batch_size=50):
    # iterate over something (pymongo cursor, generator, ...) by batch. 
    # Note: the last batch may contain less than batch_size elements.
    batch = []
    try:
        while True:
            for _ in range(batch_size):
                batch.append(next(cursor))
            yield batch
            batch = []
    except StopIteration as e:
        if len(batch):
            yield batch

只要

光标

定义了一个方法

\uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu。因此，我们可以在原始游标或转换的记录上使用它

示例

简单用法：

for batch in db['coll_name'].find():
    # do stuff

更复杂的用法（例如对批量更新有用）：

重新实现
count（）
函数：

sum(map(len, _as_batch( db['coll_name'].find() )))

在Python中是如何做到这一点的？很抱歉向您发送了一个url，但我相信这已经很好地解决了：您的代码中有一个bug-您错过了最后一块。例如，如果您有98个与查询相关的文档，那么您将得到10个文档中的10个块，但是循环将只检索前90个，而缺少最后8个。像这样预定义块将有助于确保您获得所有内容，而且您不会在您的情况下重复使用光标，这不是我需要的。
chunk\u iter=[[I，I+chunk\u size]对于范围内的i（0，cursor.count（），chunk\u size）]
chunk_n=0
total_docs=0
for docs in mess_chunk_iter:
   chunk_n=chunk_n+1        
   chunk_len = 0
   for d in docs:
      chunk_len=chunk_len+1
      total_docs=total_docs+1
   print(f'chunk #: {chunk_n}, chunk_len: {chunk_len}')
print("total docs iterated: ", total_docs)

chunk #: 1, chunk_len: 400
chunk #: 2, chunk_len: 400
chunk #: 3, chunk_len: 400
chunk #: 4, chunk_len: 400
chunk #: 5, chunk_len: 400
chunk #: 6, chunk_len: 400
chunk #: 7, chunk_len: 281
total docs iterated:  2681

def _as_batch(cursor, batch_size=50):
    # iterate over something (pymongo cursor, generator, ...) by batch. 
    # Note: the last batch may contain less than batch_size elements.
    batch = []
    try:
        while True:
            for _ in range(batch_size):
                batch.append(next(cursor))
            yield batch
            batch = []
    except StopIteration as e:
        if len(batch):
            yield batch

for batch in db['coll_name'].find():
    # do stuff

def update_func(doc):
    # dummy transform function
    doc['y'] = doc['x'] + 1
    return doc

query = (update_func(doc) for doc in db['coll_name'].find())
for batch in _as_batch(query):
    # do stuff

sum(map(len, _as_batch( db['coll_name'].find() )))