$strLenBytes vs $strLenCP i MongoDB:Vad är skillnaden?

MongoDB inkluderar $strLenBytes och $strLenCP operatörer i dess ramverk för aggregering av pipeline. Dessa operatörer gör en liknande men något annorlunda sak. I vissa fall kommer båda att ge exakt samma resultat, medan resultaten i andra fall skiljer sig åt.

Här är en snabb översikt över skillnaden mellan dessa två operatörer.

Skillnaden

Här är en definition av varje operatör:

• $strLenBytes returnerar antalet UTF-8-kodade byte i den angivna strängen
• $strLenCP returnerar antalet UTF-8-kodpunkter i den angivna strängen.

Lägg märke till skillnaden i fetstil. Man returnerar antalet bytes , den andra returnerar antalet kodpunkter .

När man arbetar med strängar på engelska kommer antalet byte vanligtvis att vara detsamma som antalet kodpunkter. Varje kodpunkt kommer att använda en byte.

Men när du arbetar med andra språk som använder ett annat Unicode-block kan du upptäcka att antalet byte ökar till två eller tre byte. Detta gäller även när man arbetar med andra Unicode-kodpunkter som symboler, emoji etc. I vissa fall kan ett enstaka tecken använda 4 byte.

Exempel

Anta att vi har en samling som heter unicode med följande dokument:

{ "_id" :1, "data" :"é" }{ "_id" :2, "data" :"©" }{ "_id" :3, "data" :"℘" } 

 Och låt oss nu tillämpa båda $strLenBytes och $strLenCP till datafältet:
 
db.unicode.aggregate(
   [
     {
       $project:
          {
            _id: 0,
            data: 1,
            strLenCP: { $strLenCP: "$data" },
            strLenBytes: { $strLenBytes: "$data" }
          }
     }
   ]
) 
 

 Resultat:
 
{ "data" :"é", "strLenCP" :1, "strLenBytes" :2 }{ "data" :"©", "strLenCP" :1, "strLenBytes" :2 }{ "data" :"℘", "strLenCP" :1, "strLenBytes" :3 }
 

 Vi kan se att alla tecken bara använder en kodpunkt, men det första dokumentet använder två byte och de andra två dokumenten använder vardera tre byte.
 
Engelska tecken
 

 Anta att vi har en samling som heter english med följande dokument:
 
{ "_id" :1, "data" :"Snabb hund" }{ "_id" :2, "data" :"F" }{ "_id" :3, "data" :"a" }{ "_id" :4, "data" :"s" }{ "_id" :5, "data" :"t" }{ "_id" :6, "data" :" " }{ "_id" :7, "data" :"d" }{ "_id" :8, "data" :"o" }{ "_id" :9, "data" :"g" }
 

 Och låt oss nu tillämpa båda $strLenBytes och $strLenCP till datafältet:
 
db.english.aggregate(
   [
     {
       $project:
          {
            _id: 0,
            data: 1,
            strLenCP: { $strLenCP: "$data" },
            strLenBytes: { $strLenBytes: "$data" }
          }
     }
   ]
) 
 

 Resultat:
 
{ "data" :"Snabb hund", "strLenCP" :8, "strLenBytes" :8 }{ "data" :"F", "strLenCP" :1, "strLenBytes" :1 }{ "data" :"a", "strLenCP" :1, "strLenBytes" :1 }{ "data" :"s", "strLenCP" :1, "strLenBytes" :1 }{ "data" :"t", "strLenCP" :1, "strLenBytes" :1 }{ "data" :" ", "strLenCP" :1, "strLenBytes" :1 }{ "data" :"d", "strLenCP" :1, "strLenBytes" :1 } { "data" :"o", "strLenCP" :1, "strLenBytes" :1 }{ "data" :"g", "strLenCP" :1, "strLenBytes" :1 }
 

 I det här fallet använder alla tecken en kodpunkt och en byte vardera.
 
Thailändska tecken
 

 Här är ett exempel som använder thailändska tecken för att visa att inte alla språk använder en byte per kodpunkt.
 

 Anta att vi har en samling som heter thai med följande dokument:
 
{ "_id" :1, "data" :"ไม้เมือง" }{ "_id" :2, "data" :"ไ" }{ "_id" :3, "data" :"ม้" }{ "_id" :4, "data" :"เ" }{ "_id" :5, "data" :"มื" }{ "_id" :6, "data" :"อ" }{ "_id" :7 , "data" :"ง" }
 

 Det här är vad som händer när vi tillämpar båda $strLenBytes och $strLenCP till datafältet:
 
db.thai.aggregate(
   [
     {
       $project:
          {
            _id: 0,
            data: 1,
            strLenCP: { $strLenCP: "$data" },
            strLenBytes: { $strLenBytes: "$data" }
          }
     }
   ]
) 
 

 Resultat:
 
{ "data" :"ไม้เมือง", "strLenCP" :8, "strLenBytes" :24 }{ "data" :"ไ", "strLenCP" :1, "strLenBytes" :" 3 }{ "data" :"ม้", "strLenCP" :2, "strLenBytes" :6 }{ "data" :"เ", "strLenCP" :1, "strLenBytes" :3 }{ "data" :"มื", "strLenCP" :2, "strLenBytes" :6 }{ "data" :"อ", "strLenCP" :1, "strLenBytes" :3 }{ "data" :"ง", "strLenCP" :1, "strLenBytes" :3 }