python进行mongodb-gridfs去重

说明

由于最开始抓取数据时，出于疏忽，将图片数据存入mongodb时查询图片是否已存在这部分代码出错，导致mongodb中存在大量重复的图片，因此需要对数据库进行去重操作。
而我采用了mongodb提供的GridFS功能来管理图片，与一般的文档去重有所区别，因此经过尝试和摸索后，得到如下解决方案，效率较低，但能有效解决问题。

代码

#-*-coding:utf-8-*-
from pymongo import MongoClient
import json
from gridfs import *
from datetime import datetime

def delete_repeat_data(ip):
    beginTime = datetime.now()
print beginTime
    client = MongoClient(ip, 27017)   
    oldDB = client.olddb
    oldFS = GridFS(oldDB, collection="images")
    collection = oldDB.images.files

    newDB = client.newdb 
    newFS = GridFS(newDB, collection="images")
    num = 0
for photo_id in collection.distinct('photo_id'):# 使用distinct方法，获取每一个独特的元素列表，不能直接对fs进行类似操作，会报错
        flag = True
for dic in oldFS.find({"photo_id":photo_id}): # 此处字段根据需求设置。fs.find返回值为GridOutCursor，需要遍历获取其中数据，由于同一id对应的数据相同，因此设置flag进行标记，只保存一条记录即可。
if not flag:
break
# 得到图片属性数据
            photoDic = {"photo_title":dic.photo_title, "owner_id":dic.owner_id, "owner_name":dic.owner_name, "photo_id":photo_id, "width":dic.width,
"longitude":dic.longitude, "latitude":dic.latitude, "tags":dic.tags, "dateupload":dic.dateupload, "photo_url":dic.photo_url, 
"height":dic.height,  "datetaken":dic.datetaken}
if newFS.find_one({"photo_id":photo_id}): # 如果此图片在新数据库中已存在，则不保存。一般来说，不需要这段代码，有点多此一举
break
            newFS.put(dic.read(), **photoDic) # 将图片数据存入新数据库中
#print photo_id
            num += 1
            flag =False
if num%1000==0:
print num, datetime.now(), datetime.now()-beginTime

if __name__ == '__main__':
    delete_repeat_data('localhost')

欢迎留言交流，以上。