MongoDB聚合查询：提取推文Hashtag并单独分组统计

问题原因 #

当前聚合逻辑未对$regexFindAll返回的Hashtag数组进行拆分，直接以整个数组作为分组键，导致统计的是“包含特定Hashtag组合的推文数”，而非单个Hashtag的出现频次。

修改后的聚合代码 #

data = db.tweets.aggregate([
    {
        "$project": {
            "hashtags": {
                "$regexFindAll": {
                    "input": "$content",
                    "regex": r'#[\w-]+'
                }
            }
        }
    },
    { "$unwind": "$hashtags" },
    {
        "$group": {
            "_id": "$hashtags.match",
            "count": { "$sum": 1 }
        }
    },
    { "$sort": { "count": -1 } }
])

关键步骤说明 #

• $project阶段：通过$regexFindAll提取所有Hashtag，正则#[\w-]+支持匹配带连字符的完整Hashtag（如#Corona-Pandemie）；将结果存入hashtags字段，结构为包含match键的对象数组。
• $unwind阶段：将每个文档的Hashtag数组拆分为独立文档，每个文档仅保留一个Hashtag对象，这是实现单个Hashtag统计的核心操作。
• $group阶段：以$hashtags.match（单个Hashtag内容）作为分组依据，累计每个Hashtag的出现次数。
• $sort阶段：可选操作，按统计次数降序排列，便于快速定位高频Hashtag。

预期输出 #

针对提供的样例数据，运行后会得到如下结果：

{'_id': '#Corona', 'count': 3},
{'_id': '#Krisenjahr', 'count': 1},
{'_id': '#Legalisierung', 'count': 1},
{'_id': '#Cannabis', 'count': 1},
{'_id': '#München', 'count': 1}

内容的提问来源于stack exchange，提问作者Hadi Monzer