Considere, tengo los siguientes documentos que representan estructuras de árbol:
[ { "_id": 1, "parentId": null, }, { "_id": 2, "parentId": null, }, { "_id": 3, "parentId": 1, }, { "_id": 4, "parentId": 1, }, { "_id": 5, "parentId": 2, }, { "_id": 6, "parentId": 5, }, ]¿Cuál sería la forma más eficiente de calcular una distribución de profundidad para estos árboles usando agregaciones de MongoDB?
Quiero recibir el siguiente resultado o similar:
[ { "depth": 0, "count": 2, }, { "depth": 1, "count": 3, }, { "depth": 2, "count": 1, } ] La suma total de todos los count debe ser igual al número de documentos de la colección.
Intenté usar una combinación de varias funciones de agregación, pero solo logré calcular los datos sin tener en cuenta los nodos raíz:
db.collection.aggregate([ { // Skipping the root nodes, // otherwise it will calculate results // for all the nodes and count them multiple times $match: { parentId: null } }, { $graphLookup: { from: "collection", startWith: "$_id", connectFromField: "_id", connectToField: "parentId", as: "descendants", depthField: "depth", }, }, { $unwind: "$descendants", }, { $group: { _id: "$descendants.depth", count: { $sum: 1, }, }, }, { $project: { _id: 0, depth: "$_id", count: "$count", }, }, { $sort: { depth: 1, }, }, ]);Aquí está el Mongo Playground con los datos de ejemplo.
En esa estructura, teóricamente hay un nodo raíz no listado con el id de null . Una sola búsqueda de gráfico a partir de ese nodo encontraría todos los nodos cuyo parentesco conduce a nulo. es decir, no incluiría bucles no raíz en el árbol.
Para lograr eso, primero necesita recuperar un solo documento, luego comience la búsqueda del gráfico desde null , tal vez:
[ { $limit: 1 }, { $graphLookup: { from: "collection", startWith: null, connectFromField: "_id", connectToField: "parentId", as: "descendants", depthField: "depth", } } },El resto de las etapas de relajarse, agrupar, proyectar y ordenar transformarían ese resultado en el formato que está buscando.
En cuanto al rendimiento, la etapa graphLookup está leyendo implícitamente todos los documentos de la colección. Esto significa que ninguna cantidad de indexación mejorará el rendimiento. Si toda la colección cabe en la memoria caché, es posible que obtenga un rendimiento razonable. A medida que crece la colección, también crecerá la cantidad de lectura de disco necesaria para realizar esta consulta.
El rendimiento a largo plazo puede ser aceptable si se trata de una operación que se ejecuta con poca frecuencia y que se puede segregar a un nodo de análisis dedicado que no atiende la carga de la aplicación.