Encuentra direcciones URL duplicadas en mongodb

Asumiendo una colección de documentos con name (usando name en lugar de url ) campo que consta de valores duplicados. Tengo dos agregaciones que devuelven una salida que se puede usar para realizar un procesamiento posterior. Espero que encuentre esto útil.

{ _id: 1, name: "jack" },
{ _id: 2, name: "john" },
{ _id: 3, name: "jim" },
{ _id: 4, name: "john" }
{ _id: 5, name: "john" }, 
{ _id: 6, name: "jim" }

Tenga en cuenta que "john" tiene 3 apariciones y "jim" tiene 2.

(1) Esta agregación devuelve los nombres que tienen duplicados (más de una ocurrencia):

db.collection.aggregate( [
  { 
      $group: { 
          _id: "$name", 
          count: { $sum: 1 }
      } 
  },
  { 
      $group: { 
          _id: "duplicate_names", 
          names: { $push: { $cond: [ { $gt: [ "$count", 1 ] }, "$_id", "$DUMMY" ] } }
      }
  }
] )

La salida:

{ "_id" : "duplicate_names", "names" : [ "john", "jim" ] }

(2) La siguiente agregación solo devuelve el _id valores de campo para los documentos duplicados. Por ejemplo, el nombre "jim" tiene _id valores 3 y 6 . La salida tiene solo los ID de los documentos duplicados, es decir, 6 .

db.colection.aggregate( [
  { 
      $group: { 
          _id: "$name", 
          count: { $sum: 1 }, 
          ids: { $push: "$_id" } 
      } 
  },
  { 
      $group: { 
          _id: "duplicate_ids",  
          ids: { $push: { $slice: [ "$ids", 1, 9999 ] } } 
      } 
  },
  { 
      $project: { 
          ids: { 
              $reduce: {
                  input: "$ids", 
                  initialValue: [ ],
                  in: { $concatArrays: [ "$$this", "$$value" ] }
              }
          }
      } 
  }
] )

La salida:

{ "_id" : duplicate_ids", "ids" : [ 6, 4, 5 ] }