『 相关软件&amp;技术介绍 』

Your browser does not seem to support JavaScript. As a result, your viewing experience will be diminished, and you have been placed in read-only mode.

Please download a browser that supports JavaScript, or enable it if it's disabled (i.e. NoScript).

登录后发表

『相关软件&技术介绍』

C#与Mongodb的连接和交互操作
• wai_m

13

13
帖子

5611
浏览

D

希望能用,找了好久的内容了
M

自託管監控工具
• mongo

1

1
帖子

400
浏览

M

自託管監控工具是免費開源的監控工具，這種工具需要我們自己安裝在服務器上並且配置完成才可以使用，以下我們將介紹五個可以在github下載安裝的監控工具：
motop：這個工具可以在github網址本帖下載内容已隐藏，请登入以查看隐藏内容！上下載安裝，它可以監控MongoDB的連接狀態、副本集同步狀態、內存使用情況、數據庫鎖狀態、數據庫、集合、索引等相關信息數據。
M

客户端软件 - NoSQL Manager
• mongo

1

1
帖子

765
浏览

M

No SQL Manager与前面几套工具一样是用于管理及开发MongoDB数据库的图形化接口工具。它是由NoSQL Manager Group公司开发出来的一套软件，且这套工具与Studio 3T for MongoDB相似有着多样的功能，而部分基本的功能是免费的，比较进阶的功能，例如数据导入导出、数据备份还原以及Mapreduce等功能则为一开始下载时可以免费试用30天，若超过30天后需要另外付费才可以使用。下方我们将介绍这套工具常用的功能，在介绍时也会特别标注哪些功能是基本功能以及进阶功能：
安装
在网页上输入本帖下載内容已隐藏，请登入以查看隐藏内容！ Manager安装档
使用NoSQL Manager连接MongoDB数据库
开启NoSQL Manager后就可以开始连接MongoDB数据库，本次范例与前面相同是使用本机端的MongoDB数据库
创建数据库、集合、GridFS、Function、视图、用户及角色（基本功能）
在进入NoSQL Manager中会看见数据库下的集合、GridFS、Function、视图、用户及角色，且点击右键也可以分别创建这些操作，这些操作与前面几个工具大致相同，这里就不再赘述说明
Shell（基本功能）
使用Shell可以对数据库进行任何的操作，就如同Monog Shell一样的功能，如下图说明：
编辑文档（基本功能）
点击指定集合可以查看集合中的文档，并可以在这个窗口中进行文档的新增、删除、修改以及查询，如下图所示：
File Manager（基本功能）
在NoSQL Manager免付费的功能中，有个File Manager功能是其他工具中所没有的，File Manager为文件管理工具的一种，这个工具可以方便与GridFS一起使用。在NoSQL Manager中，可以简易的使用工具将想要存放的文件或档案添加至File Manager里，且在新增文件时NoSQL Manager也会自动建立fs.files与fs.chunks集合，如下图所示：
Map-Reduce（进阶功能）
在NoSQL Manager中也有Map-Reduce功能，让用户可以使用图形化接口设定所有的参数，如下图范例说明：
Copy Collections（进阶功能）
如果用户需要将集合复制到另一个数据库中，NoSQL Manager也提供了这个功能，下方将会介绍此功能：

在本范例中因为只有一个数据库E-commerce，所以需要先建一个新的数据库，才可以将集合复制到新数据库中
导入数据（进阶功能）
在NoSQL Manager中导入数据的方式有两种，分别为从另一个数据库导入以及使用档案导入，而这两个导入方是我们将会在下面以范例说明：
1.另一个数据库导入
NoSQL Manager目前提供SQL Server以及MySQL两种数据库可以导入MongoDB中，而下方将以MySQL作为范例说明：
2.使用档案导入
NoSQL Manager目前提供CSV以及JSON两种档案方式可以导入MongoDB中，而下方将以使用CSV文件作为范例说明：
备份还原（进阶功能）
在前面介绍几个工具中还没有一个工具是具有备份还原功能，但在NoSQL Manager中我们可以使用这套工具对数据库非常方便地备份还原，下方我们将介绍这个功能：
1.备份
在进行备份前必须要先设定MongoDB mongodump的位置，而本范例的位置是C:\ProgramFiles\MongoDB\Server\3.6\bin\mongodump.exe

2.还原
在进行还原前必须要先设定MongoDB restore的位置，也需要一个还原的目标数据库，而本范例的位置是C:\ProgramFiles\MongoDB\Server\3.6\bin\mongorestore.exe、目标数据库为E-commerce_copy
监控（进阶功能）
NoSQL Manager目前提供两种方式让用户进行监控，一种是使用mongotop方式，另一种是使用Operation Monitor方式。如下方范例说明：
1.mongotop
在进行mongotop前必须要先设定MongoDB mongotop的位置，而本范例的位置是C:\ProgramFiles\MongoDB\Server\3.6\bin\mongotop.exe

2.Operation Monitor
在Operation Monitor 中显示的结果是currentOp指令的结果，这个功能可以看到所有操作的状态，如下图显示
M

客户端软件 - Robo 3T
• mongo

1

1
帖子

556
浏览

M

Robo 3T是一套可用于MongoDB数据库的图形化接口工具，它原先的名字是Robomongo，但在2017年3月14日被3T Software Labs收购，因而改名为Robo 3T。这套工具是完全免费的，且相对于前面介绍的两个工具，Robo 3T的功能非常轻巧且具有简易功能使用，例如数据库、集合、文档等基本操作的新增、删除、修改、查询等功能。下方我们将介绍这套工具常用的功能：
安装
在网页上输入本帖下載内容已隐藏，请登入以查看隐藏内容！网址，即可点击下载Robo 3T安装档
使用Robo 3T连接MongoDB数据库
开始使用Robo 3T后需要先连接MongoDB数据库，本次范例是使用本机端的MongoDB数据库
Robo 3T常用功能介绍
点开自建的E-commerce数据库可以看见三个类别，分为Collections(集合)、Functions以及Users。点选这些类别并右键单击可以了解Collections状态、建立新的集合、建立新的Function以及建立新的user。
Robo 3T可以简易地查看集合中的文档，点击右键也可以对文档内容进行新增、修改即删除。在呈现方面也可以选择三种方式呈现，分别为Tree、Table以及Json模式呈现。
在黑色Shell的部分可以对于数据进行任意新增、修改及删除等操作，如下图范例所示：
M

客户端软件 - Studio 3T for MongoDB
• mongo

1

1
帖子

1253
浏览

M

Studio 3T for MongoDB（原本名称为MongoChef）是Studio 3T团队开发需付费的GUI可视化工具。这套工具可以让用户方便使用工具进行新增、删除、修改、查询、监控等操作，一开始下载时用户可以免费试用30天所有功能，而30天后Studio 3T for MongoDB会关闭所有进阶功能，只剩下部分基本功能可以使用。下方将介绍Studio 3T for MongoDB常用的工具，并会在介绍时特别注明这个功能是否为基本或进阶功能，若标记基本功能则为一个月后还可以使用的免费功能。
安装Studio 3T for MongoDB
在网页上输入本帖下載内容已隐藏，请登入以查看隐藏内容！ 3T for MongoDB安装档

使用Studio 3T for MongoDB连接MongoDB数据库
本次范例一样使用本机端的MongoDB作为范例介绍，将实际操作如何使用Studio 3T for MongoDB连接MongoDB数据库。

IntelliShell（基本功能）
可以点击指定数据库，并右键单击点选Open IntelliShell，就会出现Studio 3T for MongoDB内建工具的Shell，使用这个Shell相当等于Mongo Shell功能一样，如下图显示：

展开数据库并显示文档及呈现数据（基本功能）
展开自建的数据库后可以看见集合、视图、GridFS及System，在集合中也会显示前面已经创建好的Product集合，点击Product集合右边就会出现集合中的文档内容，如下图范例说明：

Visual Query Builder（基本功能）

在窗口中也可以对这些文档进行查询的功能，而Studio 3T for MongoDB对于查询操作设计了一个简单便利的的拖拉式功能，如下如说明：

SQL（进阶功能）
在Studio 3T for MongoDB中有个与其他工具不同的功能，就是SQL功能，这个功能可以让用户使用一般关系型数据库的SQL语法进行MongoDB语法操作，如下图范例说明：

Aggregate（基本功能）
在Studio 3T for MongoDB中也有与其他工具一样提供常见的Aggregate功能，且非常简易使用，如下图范例说明：

Map-Reduce（基本功能）
MapReduce是MongoDB特有的功能之一，而在Studio3T for MongoDB中也可以让用户方便使用这项功能，如下图范例说明，而本范例将找出把ProductMode字段分组并计算分组后的Weight值：

数据导入及导出（基本功能）
在Studio 3T for MongoDB这套工具中，有分别提供不同方式的导入导出功能，而这个功能较非常基本但却是许多用户常用的功能，在下方图标中将会简单介绍：

创建用户及角色（基本功能）

Studio 3T for MongoDB也提供用户可以轻松地使用工具进行创建用户及角色，下面的图示将会简易说明：

Schema（进阶功能）

使用Studio 3T for MongoDB的Schema功能可以分析文档中的分布状态，如下图范例说明：

Compare（进阶功能）

在Studio 3T for MongoDB中Compare是其他工具没有的功能，这个功能可以比较两个集合数据是否一致，若是在进行数据库同步时，这个功能对于用户来说是非常方便的，下方将介绍这个功能：

Server Status Chart（基本功能）

在Studio 3T for MongoDB中也有与MongoDB Compass相同的监控功能为Server Status Chart，如果需要使用监控功能，则可以点击指定的集合并点选右键选择Server Info就可以看到Server Status Chart，这个功能与MongoDB Compass监控功能大致相同，在此就不多加赘述说明。
M

客户端软件 - MongoDB Compass
• mongo

1

1
帖子

1456
浏览

M

MongoDB Compass是MongoDB官方发行的免费GUI可视化工具，让用户可以直观地浏览数据，也可以方便使用这个工具进行新增、删除、修改、查询、监控及优化数据等操作。下方将带领大家学习如何使用MongoDB Compass工具。
安装MongoDB Compaass
在网页上输入本帖下載内容已隐藏，请登入以查看隐藏内容！网址，即可点击下载MongoDB Compass安装档

使用MongoDB Compass连接MongoDB数据库
范例中使用的MongoDB数据库是在本机搭建一个单机版的数据库，因此使用MongoDB Compass连接MongoDB数据库时，需先输入以下设定值：

使用MongoDB Compass创建数据库
进入MongoDB Compass可以看到MongoDB内建的三个数据库分别为admin、config、local，我们也可以自己创一个全新的数据库，如下图说明：

使用MongoDB Compass创建集合中的文档
在前一个步骤中已经创建了数据库以及集合，因此在此步骤将教大家如何利用MongoDB Compass建立集合中的文档

使用MongoDB Compass查询文档
创建完文档后可以使用MongoDB Compass简易地查询文档，如下图说明：

使用MongoDB Compass进行聚合操作
MongoDB Compass也有MongoDB特有的聚合操作功能，他可以透过简单的操作查到用户需要数据，如下图说明：

使用MongoDB Compass查询文档分布
MongoDB Compass Schema功能可以看到所有集合中所有文档的数据分布，如下如说明：

使用MongoDB Compass进行查询执行计划
当我们在进行查询时有时候会需要查看执行计划，方便检查语句以及查看查询时所需要的时间，而在MongoDB Compass也有查询执行计划的功能，如下图范例说明：

使用MongoDB Compass建立索引
在使用执行计划检查查询语句时，如果发现因为没有使用索引而查询速度慢时，也可以使用MongoDB Compass建立索引，如下图说明：

使用MongoDB Compass建立数据校验规则
MongoDB具有数据校验的功能，它可以校验数据是否符合我们设定的数据类型，而MongoDB Compass工具中也具有此功能，方便用户设定数据校验规则，如下范例显示：

使用MongoDB Compass进行监控
MongoDB Compass最具特色的部分是监控工具，这个工具相当于图形化界面的mongostat、mongotop以及db.currentOp()操作，使用MongoDB Compass可以非常动态地看到目前数据库的性能及状况，如下图说明：
Linux下搭建Nginx代理访问MongoDB GridFS图片资源
• asd

2

2
帖子

2147
浏览

1

不错的文章，学习了。
Unsolved 2017年二月数据库流行度榜单
• Avon

9

9
帖子

4766
浏览



或許全球產業發展方向, 多少影響其排名, 畢竟看用途
介绍 perf 和 SystemTap 跟踪 MongoDB 访问超时
• leo

1

1
帖子

2943
浏览



1. perf

先让 perf 来打头阵。perf top 一下，看看系统内实时的 CPU 消耗（原图丢了，拿个凑数）：

再选择 Annotate，找出热点（可以精确到 CPU 指令）：

对应着源码

如果你关注的程序有调试符号并且能根据调试符号找到源码，那么 perf 会在相关的指令旁边显示源码。

此时能看出大部分的 CPU 都消耗在链表遍历上了。

追链表是个非常缓存不友好的行为，另外还能看到有个字符串的解引用也会占用大量的 CPU，这里只可能是 cache-miss 了。

perf stat -e cache-references,cache-misses -p <TID> 一下那个线程，发现绝大部分都是 cache-miss。（没法上图，忘记保存了）。

关于 CPU cache，有一个非常有意思的页面，可以感性地认识一下内存相对于缓存有多慢。

通过 perf list 可以看到 perf 具体能统计哪些指标

# 硬件（CPU 中的 Performance Monitor Unit）指标

branch-instructions      # 执行的跳转指令数

branch-misses            # 分支预测失败数

bus-cycles               # 不知道……（以下用 - 代替）

cache-misses             # 缓存未命中

cache-references         # 缓存访问数

cpu-cycles or cycles     # CPU 时钟周期数

instructions             # 执行的指令数

ref-cycles               # - （跟 bus-cycles 有些乱糟的关系）

stalled-cycles-frontend # CPU 前端等待（前端是指取指/译码、分支预测、访存等等东西，后端是指执行指令的过程）

# 软件指针

alignment-faults        # 对齐错误，x86/x64 会自动处理访存不对齐，所以不用关注

bpf-output              # 跟 eBPF 有关，不知道是干啥的

context-switches or cs # 上下文切换数（程序被调度走了）

cpu-clock               # CPU 时钟（这里是软件统计的，不如上面的准)

cpu-migrations          # CPU 迁移（程序从 CPU1 执行，但是被调度到 CPU2 上去了）

dummy                   # -

emulation-faults        # -

major-faults            # 主要缺页错误（需要的页不在内存中，要去磁盘上取出再填进去）

minor-faults            # 次要缺页错误（需要的页在内存中，只是缺页表项，填上页表项就好了）

page-faults OR faults   # == major-faults + minor-faults

task-clock              # -

# 硬件指针（Hardware cache event）

L1-dcache-load-misses      # L1 资料缓存未命中

L1-dcache-loads            # L1 资料缓存访问数

L1-dcache-prefetch-misses # L1 资料缓存预取未命中

L1-dcache-store-misses     # L1 资料缓存RFO未命中（RFO: read-for-ownership，读取并且失效这个缓存）

L1-dcache-stores           # L1 数据缓存RFO

L1-icache-load-misses      # L1 指令缓存未命中

LLC-load-misses            # LLC: Last Level Cache，即 L2/L3 缓存。

LLC-loads                 # 这些根据上面的说明看名子应该能知道是什么

LLC-prefetch-misses        # 就不再一个个解释了

LLC-prefetches             #

LLC-store-misses           #

LLC-stores                 #

branch-load-misses         # BPU 缓存未命中（BPU：Branch Processing Unit)

branch-loads               # 与分支预测有关的缓存

dTLB-load-misses           # 资料 TLB 缓存未命中（TLB: Translation Lookaside Buffer）

dTLB-loads                 # TLB 是页表的缓存，用来加速虚拟地址->物理地址(VA->PA)转换的

dTLB-store-misses          # 同不一个个解释了……

dTLB-stores                #

iTLB-load-misses           # 指令 TLB 缓存未命中

iTLB-loads                 #

node-load-misses           # 本地访存未命中，需要跨 NUMA node（其实就是 CPU）访存

node-loads                 # 访存数（这里访存数跟 LLC miss 对不上号，因为 LLC miss 后可能会跨 core 取到缓存）

node-prefetch-misses       #

node-prefetches            #

node-store-misses          #

node-stores                #

找到了热点，下一步就是给 MongoDB 打上补丁，目的主要是优化缓存

http://link.zhihu.com/?target=...

2. SystemTap

想知道每次 __evict_clear_all_walks （__evict_server 调用了这个函数）具体耗费了多上时间？貌似 perf 不太擅长做这个

那么这时候就可以用 SystemTap 了：

global times

probe process("/usr/bin/mongod").function("__evict_clear_all_walks").return {

    times <<< gettimeofday_us() - @entry(gettimeofday_us())

}

probe timer.s(1) {

    print(@hist_linear(times, 16000, 36000, 500))

}

直方图左边的数字是函数执行的时间，单位是 us，右边是落在这个区间内的次数。

【打补丁前】

value |-------------------------------------------------- count

16400 |@                                                    4

16600 |@@@@                                                14

16800 |@@@@                                                13

17000 |                                                     1

17200 |@                                                    5

17400 |@@@                                                 10

17600 |@                                                    3

17800 |@@@@@@@@                                            24

18000 |@@@@@@@@@@@@@@@@@@@@@                               63

18200 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@                      92

18400 |@@@@@@@@@@@@@@@@@                                   53

18600 |@@@@@@@@@@@@@@@@@@@@@@@@@@                          80

18800 |@@@@@@@@                                            26

19000 |@@@@@@@@@@@@@                                       39

19200 |@@@@@@@@                                            24

19400 |@@@@                                                12

19600 |@                                                    3

19800 |@                                                    5

20000 |                                                     2

20200 |@@                                                   7

20400 |@@@                                                 11

20600 |@@@                                                  9

20800 |@@                                                   8

21000 |@@@                                                 11

21200 |@@@@@@@                                            21

21400 |@@@@@@@                                             22

21600 |@@@@@@@@@@@@@@@@@@@@                                60

21800 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@           121

22000 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@        131

22200 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@                     95

22400 |@@@@@@@@@@@@@@@@@@@@                                61

22600 |@@@@@@@@@@@@@@@@@@@@@@@@@@@                         81

22800 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@                       87

23000 |@@@@@@@@@@@@@@@@@@@@@@                              67

23200 |@@@@@@@@@@@@@@@@                                    50

23400 |@@@@@                                               15

23600 |@                                                    4

23800 |@                                                    4

24000 |                                                     2

【打补丁后】

4900 |                                                      6

5000 |@@@@@@@                                             295

5100 |@@@@@@@@@@@                                         430

5200 |@                                                    55

5300 |                                                     17

5400 |                                                     25

5500 |                                                     30

5600 |                                                     13

5700 |                                                     16

5800 |                                                     19

5900 |                                                      8

6000 |                                                      9

6100 |                                                     16

6200 |                                                     14

6300 |@                                                    67

6400 |@@@@                                                175

6500 |@@@@@@@                                             293

6600 |@@                                                  109

6700 |@@                                                   78

6800 |@@                                                   89

6900 |@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ 1864

7000 |@@@@                                                171

7100 |                                                     29

7200 |                                                     22

7300 |                                                      8

SystemTap 是目前 Linux 最强大的 tracer/profiler，可以跟踪内核以及用户态程序中的任意函数、syscall、语句甚至指令，还可以跟踪 DTrace 的 USDT（写在代码中的预定义的 trace point，比如刚才提到的 MongoDB 补丁代码中的那句 DTRACE_PROBE(proton, dhandle_not_file)。
MongoDB中的MapReduce简介
• asd

1

1
帖子

2150
浏览



MongoDB MapReduce

MapReduce是一种计算模型，简单的说就是将大批量的工作（数据）分解（MAP）执行，然后再将结果合并成最终结果（REDUCE）。这样做的好处是可以在任务被分解后，可以通过大量机器进行并行计算，减少整个操作的时间。

上面是MapReduce的理论部分，下面说实际的应用，下面以MongoDB MapReduce为例说明。

下面是MongoDB官方的一个例子：

复制代码代码如下:

> db.things.insert( { _id : 1, tags : ['dog', 'cat'] } );
> db.things.insert( { _id : 2, tags : ['cat'] } );
> db.things.insert( { _id : 3, tags : ['mouse', 'cat', 'dog'] } );
> db.things.insert( { _id : 4, tags : [] } );

> // map function > map = function(){ ...    this.tags.forEach( ...        function(z){ ...            emit( z , { count : 1 } ); ...        } ...    ); ...};

> // reduce function > reduce = function( key , values ){ ...    var total = 0; ...    for ( var i=0; i<values.length; i++ ) ...        total += values[i].count; ...    return { count : total }; ...};

db.things.mapReduce(map,reduce,{out:'tmp'}) {     "result" : "tmp",     "timeMillis" : 316,     "counts" : {         "input" : 4,         "emit" : 6,         "output" : 3     },     "ok" : 1, } > db.tmp.find() { "_id" : "cat", "value" : { "count" : 3 } } { "_id" : "dog", "value" : { "count" : 2 } } { "_id" : "mouse", "value" : { "count" : 1 } }

例子很简单，计算一个标签系统中每个标签出现的次数。

这里面，除了emit函数之外，所有都是标准的js语法,这个emit函数是非常重要的，可以这样理解，当所有需要计算的文档（因为在mapReduce时，可以对文档进行过滤，接下来会讲到）执行完了map函数，map函数会返回key_values对，key即是emit中的第一个参数key，values是对应同一key的emit的n个第二个参数组成的数组。这个key_values会作为参数传递给reduce，分别作为第1.2个参数。

reduce函数的任务就是将key-values变成key-value，也就是把values数组变成一个单一的值value。当key-values中的values数组过大时，会被再切分成很多个小的key-values块，然后分别执行Reduce函数，再将多个块的结果组合成一个新的数组，作为Reduce函数的第二个参数，继续Reducer操作。可以预见，如果我们初始的values非常大，可能还会对第一次分块计算后组成的集合再次Reduce。这就类似于多阶的归并排序了。具体会有多少重，就看数据量了。

reduce一定要能被反复调用，不论是映射环节还是前一个简化环节。所以reduce返回的文档必须能作为reduce的第二个参数的一个元素。

（当书写Map函数时，emit的第二个参数组成数组成了reduce函数的第二个参数，而Reduce函数的返回值，跟emit函数的第二个参数形式要一致，多个reduce函数的返回值可能会组成数组作为新的第二个输入参数再次执行Reduce操作。）

MapReduce函数的参数列表如下：

代码如下:

db.runCommand(
{ mapreduce : <collection>,
   map : <mapfunction>,
   reduce : <reducefunction>
   [, query : <query filter object>]
   [, sort : <sort the query. useful for optimization>]
   [, limit : <number of objects to return from collection>]
   [, out : <output-collection name>]
   [, keeptemp: <true|false>]
   [, finalize : <finalizefunction>]
   [, scope : <object where fields go into javascript global scope >]
   [, verbose : true]
}
);

或者这么写：
代码如下:

db.collection.mapReduce(
                         <map>,
                         <reduce>,
                         {
                           <out>,
                           <query>,
                           <sort>,
                           <limit>,
                           <keytemp>,
                           <finalize>,
                           <scope>,
                           <jsMode>,
                           <verbose>
                         }
                       )

1.mapreduce：指定要进行mapreduce处理的collection 2.map：map函数 3.reduce：reduce函数 4.out：输出结果的collection的名字，不指定会默认创建一个随机名字的collection（如果使用了out选项，就不必指定keeptemp：true了，因为已经隐含在其中了） 5.query：一个筛选条件，只有满足条件的文档才会调用map函数。（query。limit，sort可以随意组合） 6.sort：和limit结合的sort排序参数（也是在发往map函数前给文档排序），可以优化分组机制 7.limit：发往map函数的文档数量的上限（要是没有limit，单独使用sort的用处不大） 8.keytemp：true或false，表明结果输出到的collection是否是临时的，如果想在连接关闭后仍然保留这个集合，就要指定keeptemp为true，如果你用的是MongoDB的mongo客户端连接，那必须exit后才会删除。如果是脚本执行，脚本退出或调用close会自动删除结果collection 9.finalize：是函数，它会在执行完map、reduce后再对key和value进行一次计算并返回一个最终结果，这是处理过程的最后一步，所以finalize就是一个计算平均数，剪裁数组，清除多余信息的恰当时机 10.scope：javascript代码中要用到的变量，在这里定义的变量在map，reduce，finalize函数中可见 11.verbose：用于调试的详细输出选项，如果想看MpaReduce的运行过程，可以设置其为true。也可以print把map，reduce，finalize过程中的信息输出到服务器日志上。

执行MapReduce函数返回的文档结构如下：

代码如下:

{ result : <collection_name>,

    timeMillis : <job_time>,

    counts : {

               input : <number of objects scanned>,

               emit : <number of times emit was called>,

               output : <number of items in output collection>

     } ,

     ok : <1_if_ok>,

     [, err : <errmsg_if_error>]

}

1.result：储存结果的collection的名字,这是个临时集合，MapReduce的连接关闭后自动就被删除了。 2.timeMillis：执行花费的时间，毫秒为单位 3.input：满足条件被发送到map函数的文档个数 4.emit：在map函数中emit被调用的次数，也就是所有集合中的数据总量 5.ouput：结果集合中的文档个数（count对调试非常有帮助） 6.ok：是否成功，成功为1 7.err：如果失败，这里可以有失败原因，不过从经验上来看，原因比较模糊，作用不大

java代码执行MapReduce的方法：

代码如下:

public void MapReduce() {
        Mongo mongo = new Mongo("localhost",27017);
        DB db = mongo.getDB("qimiguangdb");
        DBCollection coll = db.getCollection("collection1");

        String map = "function() { emit(this.name, {count:1});}";


        String reduce = "function(key, values) {";
        reduce=reduce+"var total = 0;";
        reduce=reduce+"for(var i=0;i<values.length;i++){total += values[i].count;}";
        reduce=reduce+"return {count:total};}";

        String result = "resultCollection";

        MapReduceOutput mapReduceOutput = coll.mapReduce(map,
                reduce.toString(), result, null);
        DBCollection resultColl = mapReduceOutput.getOutputCollection();
        DBCursor cursor= resultColl.find();
        while (cursor.hasNext()) {
            System.out.println(cursor.next());
        }
    }
为你的mongodb砌堵墙吧，防止被攻击和勒索
• asd

1

1
帖子

1949
浏览



起因
2017年1月，当大家都在为16的逝去写总结，并为17年的到来做计划的时候，一波黑客发动了一轮攻击，攻击的对象瞄准了mongodb数据库。他们删除了所有数据库数据，并留下一个勒索数据库。不幸的是，我也成为这“幸运”的一员。当收到用户反馈说，无法登陆网站时，我还在奇怪。当我连上线上服务器时，看到了这个： API参考）：
>mongodump -h dbhost -d dbname -o dbdirectory -h： MongDB所在服务器地址，例如：127.0.0.1，当然也可以指定端口号：127.0.0.1:27017 -d：需要备份的数据库实例，例如：test -o：备份的数据存放位置，例如：c:\data\dump，该目录需要提前建立，在备份完成后，系统自动在dump目录下建立一个test目录，这个目录里面存放该数据库实例的备份数据。
MongoDB数据恢复方式（API参考）：
mongodb使用 mongorestore 命令来恢复备份的数据。语法 mongorestore命令脚本语法如下： >mongorestore -h dbhost -d dbname --directoryperdb dbdirectory -h： MongoDB所在服务器地址 -d：需要恢复的数据库实例，例如：test，当然这个名称也可以和备份时候的不一样，比如test2 --directoryperdb：备份数据所在位置，例如：c:\data\dump\test，这里为什么要多加一个test，而不是备份时候的dump。 --drop：恢复的时候，先删除当前数据，然后恢复备份的数据。就是说，恢复后，备份后添加修改的数据都会被删除，慎用哦！
备份策略

全量备份：可以最快的时间快速恢复所有数据，缺点是备份成本大，时间长；
全量备份+增量备份：可以较快的恢复所有数据，缺点是恢复时间长，如果增量数据有问题，无法恢复所有数据；
搭建从库，直接切换到从库，前提是从库的数据安全可靠。

后记

通过这次的教训，更加深刻认识到数据库安全的重要性，在以后的工作中一定要更加注重服务器和数据库的安全，做好安全措施。

谨记，安全，安全，安全。
MongoDB数据模型和索引学习
• asd

1

1
帖子

2071
浏览



1. MongoDB数据模型：
MongoDB数据存储结构： MongoDB针对文档（大文件采用GridFS协议）采用BSON（binary json，采用二进制编码）数据格式来存储和交换数据。Bson吸收了JSON schema-less的特点，存储结构松散，不需要像RDB（关系数据）那样事先定义数据存储的元数据结构，另外增加了多种数据类型的支持和优化，使读写更加高效。 (1) BSON 支持的数据类型：
Double、String、Object、Array、Binary Data、Undefined、Object id、Boolean、Date、Null、Regular Expression、JavaScript、Symbol、JavaScript（with scope）、32-bit integer、Timestamp、64-bitInteger、Min key、Max key
(2) BSON 在表现形式如下：
{ "_id" : ObjectId("542c2b97bac0595474108b48"), "ts" : Timestamp(1412180887, 1)，"name":"steven"}
(3) BSON 是MongoDB中的通信协议和数据存储格式：在MongoDB中客户端和服务端通信采用的是BSON的文档格式，例如查询一段数据，需要这样写：
db.steven.find({"name":"steven"})
更新一段数据需要这样写：
db.steven.update({"name":"steven"},{$set:{"name":"jianying"}})
删除一段数据需要这样写：
db.steven.remove({"name":"steven"})
总之MongoDB中针对文档的CRUD的RPC通信格式均支持采用了BSON的数据格式。并且其存储格式也采用了BSON的格式类似：
{ "_id" : ObjectId("542c2b97bac0595474108b48"), "ts" : Timestamp(1412180887, 1)，"name":"steven"}
(4) BSON数据格式的编码： BSON的String类型均采用UTF-8编码，其中KV结构中 K值和字符串类型的V值，均采用UTF-8格式编码。如果使用的是其他格式则需要转码。并且针对K 值可以采用除以下要求外的任意UTF-8字符：
a.键不能含有\o(空字符) b.$和.有特殊的含义，只有在特定环境下采用使用 c.以下划线"_"开头的键是保留的（不是严格要求的）
而其它值类型的编码则按照具体数据类型的内置协议编码。MongoDB在数据模型的组织方式上，支持文档的引用和嵌套。具体介绍如下。
数据模型设计模式 - 引用和嵌套：以引用的方式存储数据是一种MongoDB组织数据存储结构的模式，即一个文档中存储了检索另一个文档需要的必要信息，举例如下：
{ _id: "joe", name: "Joe Bookreader" } { patron_id: "joe", street: "123 Fake Street", city: "Faketon", state: "MA", zip: "12345" }
上面的文档是用户joe的信息，而下面那个文档则记录了他的地址信息，要根据joe的name检索地址信息，则需要先检索第一个文档，然后再检索第二个文档。而设计成嵌套模式则表现为：
{ _id: "joe", name: "Joe Bookreader", addresses: [ { street: "123 Fake Street", city: "Faketon", state: "MA", zip: "12345" } ] }
这两种设计模式的均有各自的优缺点，引用模式被认为是规范化的模式，减小了数据存储的冗余，结构设计清爽简单。符合我们一般设计原则，但是要获取完整数据的通信开销比较大，而且多个文档操作的原子性在MongoDB层面无法保证。而被认为非规范化的嵌套设计模式，则具备相反的特性，其有点是减少了通讯的成本，并且原子性在单条文档得以保证，缺点就是数据存在冗余。选择哪种数据组织方式其实是一种权衡（trade-off）。
注意点： (1) MongoDB 文档的大小必须小于16M，超过这个大小的话，要考虑使用GirdFs。 (2) 加入的文档大小超出原先分配给它的空间，MongoDB会把这个文档移动到磁盘的另外一个位置。迁移文档比原位更新更要耗时，也会因此导致磁盘碎片问题。 (3) 在MongoDB里面，操作的原子性级别保证到 document级别。 (4) Bson 字符串采用UTF-8编码。
2. MongoDB索引结构：
MongoDB支持索引的类型: MongoDB采用B树的结构来组织索引（有效的支持等值查询和范围查询），支持针对文档中任意字段构建索引，不论是单值、数组、文本、嵌套结构的字段，均可构建索引。MongoDB 针对BSON存储格式是一种全索引的支持策略。面对多而强大的Mongo索引，索引的设计对性能的提升有比较大的影响。目前最新MongoV3.0版本支持的索引类型有如下几种：
索引类型简述 Default _id 默认ID索引：Mongo默认构建唯一性索引的id字段，每个文档都有一个_id字段。 Single Field 单值索引：针对文档的某一字段或或嵌套文档的某一字段构建索引。 Compound Index 组合索引：将多个字段放在一起构建索引，字段索引间组成上下层的树形结构。 Multikey Index 多值索引：针对数组类型的索引结构，为数组的每个值建立一个索引。 Geospatial Index 地理位置索引：针对地理坐标结构，构建索引，能高效定位坐标范围，属额外福利。 Text indexes 文本索引：类似搜索引擎的文本检索，涉及到分词操作，可惜不支持中文，而且查询语法的支持相对单一。 Hashed Indexes 哈希索引：为了支持基于Hash的Sharding（一种部署方式）而生，只支持等值检索，不支持范围检索。
以上介绍了索引的类型，而不同类型的索引又可以带有以下属性,间接如下：
索引的属性：
(1) 唯一索引：和RDB（关系型数据库）的唯一性索引的概念一致，为了避免出现重复的值而设计。构建方式如：
db.members.createIndex( { "user_id": 1 }, { unique: true } )
(2) 稀疏索引：稀疏索引的稀疏性体现在，其只为那些包含索引字段的文档构建索引Entry。忽略那些不包含索引字段的文档。构建方式如：
db.addresses.createIndex( { "xmpp_id": 1 }, { sparse: true } )
(3) TTL索引： TTL顾名思义是生命周期的意思，即存储的document存储带有过期时间属性，超过生命周期自动删除，像日志数据、系统自动产生的临时数据、会话数据等均符合这一场景。构建方式如：
db.log_events.createIndex( { "createdAt": 1 }, { expireAfterSeconds: 3600 } ) 索引结构和特性：
(1) B树结构，顺序存储：MongoDB的索引均采用B树的结构组织，支持高效的等值查询和范围查询。且内部索引项（entry）是默认有序的，可以天然保证返回结果有序。 (2) 索引的排序：构建索引是可以指定索引项是按照升序或降序构建，升序或降序的选择对于单值索引来说是等效的，但是对于组合索引则不等学效，组合索引被组织成上下级的树形结构，升序或降序选择错误，会对性能产生较大影响。 (3) 索引的交集：2.6版本以后，索引的查询优化策略支持索引的交集，可以将多条索引组合来使用，最高效的检索数据。例如可以构建两条单独的索引，当查询条件关联到这两条索引的时候，索引优化计划会自动组合这两条索引来检索。例如构建了如下2条索引：
{ qty: 1 } { item: 1 }
则以下查询语句会命中以上两条索引：
db.orders.find( { item: "abc123", qty: { $gt: 15 } } )
另外索引的交集和包括：
索引的前缀交集：主要针对组合索引，查询计划会优化组合索引的前缀来查询。索引分析方法：
(1) 评估RAM容量，尽量保证索引在内存中：查询索引大小的命令（单位是字节）：
db.collection.totalIndexSize() db.collection.stats()
(2) 分析查看索引的计划：

MongoDB中使用explain和hint可以查看索引的策略：
db.collection.find().explain()
可以看出那条索引策略生效，以及索引交集的使用情况。
db.collection.find().hint({"name":1})
hint的命令则可以指定强制使用某条索引。

(3) 索引的管理信息: 每个DB下面都会有一个system.indexes集合，这个集合记录着DB下，索引构建的元数据信息。
db.system.indexes.find() 注意点：
(1) 每个索引需要至少8K的空间。 (2) MongoDB 会对 _id字段自动创建唯一索引。 (3) 一个特别的索引类型支撑了TTL集合的实现，TTL依赖一个在Mongod中的后台线程，该线程读取索引中日期类型的值并从集合中删除过期的documents。
什麼是NoSQL
• Sol

2

2
帖子

2530
浏览



這篇有提到
http://forum.foxera.com/mongodb/topic/104/nosql介绍
mongoDB——java操作mongoDB实现文件上传下载
• asd

1

1
帖子

2701
浏览



mongoDB提供的java驱动封装了具体的实现细节，我们操作起来非常简单的。

      对文件的增加、删除和读取，通过一下几个组件来完成：

      GridFS：核心类，提供了对文件的创建、查找和删除操作。

      GridFSDBFile：从数据库中读取的文件，提供了文件的输出、删除操作。

      GridFSFile：要保存的文件，提供了文件的保存、校验、获取文件基本信息等操作。

      DBCollection的两个实例：

                       _filesCollection：文件集合，文件的基本信息。

                     _chunkCollection：块集合，文件的数据


public static void main(String[]args) throws Exception{ Mongo mongo = new Mongo(); DB db = mongo.getDB("mongoDBFile"); //创建数据库连接 GridFS myFS = new GridFS(db,"user1"); //创建GridFS 对mongoDBFile数据库中的user1进行操作，这样文件的读取和删除都是user1中的文件 //保存文件 GridFSFile file = myFS.createFile(new File("D:/image1.jpg")); file.save(); //输出文件 /*GridFSDBFile file =myFS.findOne("image1.jpg"); file.writeTo(new File("D:/image1.jpg"));*/ //删除文件 /*GridFSDBFile file =myFS.findOne("image1.jpg"); myFS.remove((ObjectId) file2.getId());*/ }
     mongoDB的java驱动提供给我们的使用并不复杂，而且涉及到的类也很少，我们在项目中根据具体需要再去找相应的方法就可以了。

------------------------------------------------------------------------------------------------------------------

下面是用java做的一个文件上传、预览、下载、批量打包下载的功能，在项目中经常用的，先看一下运行效果：

首页面

上传



显示所有文件列表：



单文件下载：



批量打包下载



压缩包里的文件：
基于分布式文件存储的开源数据库系统，MongoDB 3.5.3 发布
• asd

2

2
帖子

2570
浏览



情人節版本ㄟ，不過官網還找不到下載點，之後再來試
MongDB&SQL语法对照
mongdb&sql語法對照 • • leo

3

3
帖子

4789
浏览



感謝分享...收藏
php 操作 mongodb
• asd

1

1
帖子

1683
浏览



<?php
    //connect to mongodb,default:127.0.0.1
    $dbHost="127.0.0.1";
    $dbPort="27017";
    //if there are not any params inside,the mongo link for default port:27017 and default
    //host:localhost

    $conn = new Mongo("$dbHost,$dbPort");


    //select db
    //$db = $conn->blog;//这样写也是对的
    $db = $conn->selectDB("blog");


    //select collection
    //$collection = $db->users;
    $collection = $db->selectCollection("users");

    //insert,在users集合中有三个字段：name,password,email
    $name="test";
    $password=md5("123");
    $email="test@qq.com";

     $newDoc = array(
      "name" => $name,
      "password" => $password,
      "email" => $email
    );
    $ret = $collection->insert($newDoc);





    //delete
    //删除 name："test"的用户，justOne为true删除第一条，false删除所有name为"test"的用户
    $collection->remove(array('name'=>'test'), array("justOne" => false));





    //update
    //将集合中name为"zjw"的更新为"zjw1"
    $newdata = array('$set' => array("name" => "zjw1"));
    $collection->update(array("name" => "zjw"), $newdata,array("multiple"=>true));




    //find   查询所有的
    $cursor = $collection->find();
    // iterate cursor to display datas of documents
    foreach ($cursor as $document) {
        echo $document["name"] . "\t".$document["password"]."\t".$document["email"]."<br/>";
    }

    //find on condition
    //条件查询
    $query = array("name"=>"zjw1");
        $cursor = $collection->find($query); //在$collectio集合中查找满足$query的文档
        while($cursor->hasNext())
        {
          var_dump($cursor->getNext()); //返回了数组
        }
    echo "<br/>";

    //findOne 查询一条数据
    $zjw1_Cursor = $collection->findOne(array("name"=>"zjw1"));

    echo $zjw1_Cursor["name"]."\t".$zjw1_Cursor["password"]."\t".$zjw1_Cursor["email"]."<br/>";


    //list db,列出所有数据库
    $dbs = $conn->listDBs();
    $dbsInfo= $dbs["databases"];
    foreach ($dbsInfo as $info) {
        echo $info["name"]."<br/>";
    }



    //close mongodb
    $conn->close();
?>
MongoDB的优缺点
• asd

1

1
帖子

4373
浏览



前言
MongoDB作为Nosql主流数据库，它的优缺点肯定也跟Nosql的特性有关。其实一个数据库的好坏还是要根据具体业务需求来分析。本文与其说mongodb的优缺点，还不如说是mongodb的特性，但文中会作一些比较，所以还是叫mongodb的优缺点合适。

MongoDB 优点

无模式
它可以减少表的空余字段，减少拆表的必要，例如用户集合可以一条记录带有 admin: true 属性，其他不带有这个属性，而在关系数据库中这类带来大量空余字段的属性最好拆表。如果觉得 admin: true 的例子太简单，可以考虑下怎么储存 gemspec 的内容并让它可索引。
无模式另一个好处是让代码逻辑管理起来更清晰，可以把属性定义和模型逻辑放在一起：
class Artist include Mongoid::Document field :name, type: String end
类似 DataMapper 的库虽然也能实现这样的语法，但始终需要维护一个迁移脚本，需要重复自己。用 Mongoid 的时候我一直觉得打开 Model 文件先看到属性定义很舒服。

数据类型
MongoDB 支持的数据类型多于 MySQL，其中最主要是 Array，Hash 类型。而PostgreSQL 原生或通过扩展可以支持 Array 和 Hash，但是配套的操作不如 MongoDB 的简便。
例如 MongoDB 对 Array 有一个 $addToSet 方法，只有数组不存在某元素时进行插入：
update( $addToSet: { upvotes_ids: 1 } )
而 PostgreSQL 要进行同样操作需要组合一些语句：

SET upvotes_ids = array_append(upvotes_ids ,1) WHERE NOT (upvotes_ids @>array[1])
所以MongoDB 的语句更简洁。

MongoDB 缺点

无模式缺点
最大坏处就是无法真正掌握数据库中有什么内容，实际上并不是经常需要储存无模式数据，多数是模式化数据。所以即使不需要管理模式迁移，还是要管理数据迁移，每次更改属性相关逻辑时要写数据迁移脚本。这里无模式是好是坏取决于应用场景。

不支持事务
也许需不需要数据库事务成了是否选择 MongoDB 的决定性因素，MongoDB 不支持数据库事务。
有很多应用对数据一致性其实要求不高，例如很多社交应用，大多数应用逻辑只是简单存取（发一段文字，上传一张照片），极少的不一致是不影响应用的。而一些严肃应用，例如交易系统，就很需要数据库事务的支持了，否则就需要在应用层自己实现一个粗糙的、充满 Bug 的事务支持。如果有兴趣自己实现事务操作，可以看 MongoDB 的文章 Perform Two Phase Commits。
如果有跨系统的事务操作，就不能完全依赖数据库事务，还要有应用层的重试或回滚操作（例如远程调用支付接口）。数据库层面支持事务的话，起码让维护系统内部数据一致性更轻松。

查询语法
MongoDB 的原生查询语法是 JavaScript，JavaScript 程序员可能对此欣喜若狂。我最初感觉也是很新鲜，但久了就觉得很烦躁。JavaScript 太多的括号和花括号，在组合多个查询条件的时候作括号匹配很费神。SQL 是一个查询 DSL，虽然看起来有点古老，但是在查询这个特定领域上做得很好。
如果应用使用 ORM，可能很多时候不需要写原生查询语句。除了 PHP 社区外，其他社区也不推荐写原生查询。不过少数情况下，复杂查询还是原生语句更高效，而且数据库终端也是调试查询错误的最终手段，所以查询语法至少不能让人难受。

结语
从关系数据库到MongoDB，其实应用哪个数据都应该根据具体业务来决定，而不是个人喜好，数据库切换更是如此。但有一个是可以确定的：如果当前数据库用得很好，就没必要更换。
robomongo的安装
• wai_m

1

1
帖子

3417
浏览



robomongo是mongodb的一款图形管理软件，本文将在windows 7环境下安装该软件。具体步骤如下：
1、打开百度首页，搜索“Robomongo-0.8.4-i386.exe”图形化工具，下载安装软件，双击运行 Robomongo-0.8.4-i386.exe，点击“下一步”，如下图所示：

2、点击“我接受(I)”，如下图所示：

3、选择好软件安装位置，然后点击“下一步(N)”，如下图所示：

4、点击"安装(I)"，如下图所示：
5、直至安装完成，如下图所示：
6、运行 robomongo，可以在开始菜单找到启动程序，点击Create，如下图所示：
7、如果只连接本地的mongodb，那么什么都不用选择，直接“save”即可，如下图所示：

8、选中“本地"，并点击connect,如下图所示：

9、现在可以通过robomongo来管理mongodb数据库了，如下图所示：
MongoVUE的基本配置
• wai_m

1

1
帖子

3483
浏览



前言
MongoVUE是一款针对MongoDB的客户端工具，现在连接数据库也叫数据模式有2种方法，一种是B/S结构的数据库，通过网页就可以访问。另外一种就是基于C/S客户端的连接方式，本次为大家分享的这一个工具就是属于C/S类型的客户端工具。主要介绍MongoVUE在连接MongoDB时的配置。

操作步骤
1、下载安装MongoVUE，安装完成点击桌面MongoVUE的图标，进入工具的主界面，如下图：
2、进入工具主界面后，在左上角有一个【connect】连接的一个可点选项，点击connect，然后在原有窗口之上会弹出一个小的操作框，框中提示“connect to mongo datebase ”翻译过来就是“连接到mongo数据库”，在下面的列表里可以看到一些配置好的数据库连接列表。
3、如果需要访问的数据库已经在配置列表里面存在了，则选中相应的配置好的数据库名称，点击【connect】按钮，就完成了mongo数据库的连接。
4、如果配置列表里面没有想要连接的数据库那么需要先经过配置，点击connect界面上的绿色小加号如下图，点击绿色小按钮后弹出“mongoDB connection”弹窗，依次填写Name（创建名称）server（数据库IP地址）port（端口号）username（数据库登录用户名）password（数据库访问密码）datebase（访问数据库名）
5、填写完成以后点击弹出框的右下角的【test】按钮，测试一下数据库配置是否正确，能否连接到数据库如下图，提示“successfully”表示连接成功。
6、配置创建成功后就可以通过第四步的步骤连接mongo数据库了，连接以后在左侧目录会看到连接的数据库名称，点击找到要操作的表，进行操作。

1 / 2

C#与Mongodb的连接和交互操作 • wai_m

自託管監控工具 • mongo

客户端软件 - NoSQL Manager • mongo

客户端软件 - Robo 3T • mongo

客户端软件 - Studio 3T for MongoDB • mongo

客户端软件 - MongoDB Compass • mongo

Linux下搭建Nginx代理访问MongoDB GridFS图片资源 • asd

Unsolved 2017年二月数据库流行度榜单 • Avon

介绍 perf 和 SystemTap 跟踪 MongoDB 访问超时 • leo

MongoDB中的MapReduce简介 • asd

为你的mongodb砌堵墙吧，防止被攻击和勒索 • asd

MongoDB数据模型和索引学习 • asd

​什麼是NoSQL​ • Sol

mongoDB——java操作mongoDB实现文件上传下载 • asd

基于分布式文件存储的开源数据库系统，MongoDB 3.5.3 发布 • asd

MongDB&SQL语法对照 mongdb&sql語法對照 • • leo

php 操作 mongodb • asd

MongoDB的优缺点 • asd

robomongo的安装 • wai_m

MongoVUE的基本配置 • wai_m

C#与Mongodb的连接和交互操作
• wai_m

自託管監控工具
• mongo

客户端软件 - NoSQL Manager
• mongo

客户端软件 - Robo 3T
• mongo

客户端软件 - Studio 3T for MongoDB
• mongo

客户端软件 - MongoDB Compass
• mongo

Linux下搭建Nginx代理访问MongoDB GridFS图片资源
• asd

Unsolved 2017年二月数据库流行度榜单
• Avon

介绍 perf 和 SystemTap 跟踪 MongoDB 访问超时
• leo

MongoDB中的MapReduce简介
• asd

为你的mongodb砌堵墙吧，防止被攻击和勒索
• asd

MongoDB数据模型和索引学习
• asd

什麼是NoSQL
• Sol

mongoDB——java操作mongoDB实现文件上传下载
• asd

基于分布式文件存储的开源数据库系统，MongoDB 3.5.3 发布
• asd

MongDB&SQL语法对照
mongdb&sql語法對照 • • leo

php 操作 mongodb
• asd

MongoDB的优缺点
• asd

robomongo的安装
• wai_m

MongoVUE的基本配置
• wai_m