MongoDB权威指南（5）- Aggregation

转载

mb5fdcaeb38fa57 2011-11-02 14:04:00

文章标签 mapreduce 结果集 mongodb 字段数组 文章分类 Spark 大数据

除了基本的查询功能外，mongoDB还提供了聚合工具，从简单的计数到使用MapReduce进行复杂数据的分析等。

1.count

最简单的聚合工具就是count了，它返回document的数量

> db.foo.count()

> db.foo.insert({"x" : 1})

> db.foo.count()

也可以传递一个查询条件，计算符合条件的结果个数

> db.foo.insert({"x" : 2})

> db.foo.count()

> db.foo.count({"x" : 1})

2.distinct

distinct命令返回指定的key的所有不同的值。你必须指定一个collection和一个key。

> db.runCommand({"distinct" : "people", "key" : "age"})

假设我们的collection里的document是这样子的：

{"name" : "Ada", "age" : 20}

{"name" : "Fred", "age" : 35}

{"name" : "Susan", "age" : 60}

{"name" : "Andy", "age" : 35}

那么返回的结果就是

> db.runCommand({"distinct" : "people", "key" : "age"})

{"values" : [20, 35, 60], "ok" : 1}

3.group

group提供了更加复杂的聚合功能，它跟SQL里边的group by很类似，你需要指定一个group by的key，mongoDB按照这个key的值把collection分成不同的组，经过聚合后每个组都产生一个结果document。

假设我们有一个站点用来跟踪股票价格，从上午10点到下午4点，每隔几分钟就会有最新的股票价格存储进数据库，作为报表程序的一部分，我们想找出过去30天的收盘价，使用group就可以很容易做到。

股票价格的collection里有成千上万条纪录，格式如下：

{"day" : "2010/10/03", "time" : "10/3/2010 03:57:01 GMT-400", "price" : 4.23}

{"day" : "2010/10/04", "time" : "10/4/2010 11:28:39 GMT-400", "price" : 4.27}

{"day" : "2010/10/03", "time" : "10/3/2010 05:00:23 GMT-400", "price" : 4.10}

{"day" : "2010/10/06", "time" : "10/6/2010 05:27:58 GMT-400", "price" : 4.30}

{"day" : "2010/10/04", "time" : "10/4/2010 08:34:50 GMT-400", "price" : 4.01}

我们想要的是每天里边最后成交的那个价钱，结果应该是像下边这样

[

{"time" : "10/3/2010 05:00:23 GMT-400", "price" : 4.10},

{"time" : "10/4/2010 11:28:39 GMT-400", "price" : 4.27},

{"time" : "10/6/2010 05:27:58 GMT-400", "price" : 4.30}

]

那么我们就应该按day分组，找到每组里时间戳最新的记录，把它放到结果集里

> db.runCommand({"group" : {

... "ns" : "stocks",

... "key" : "day",

... "initial" : {"time" : 0},

... "$reduce" : function(doc, prev) {

... 　　if (doc.time > prev.time) {

... 　　　　prev.price = doc.price;

... 　　　　prev.time = doc.time;

... 　　}

... }}})

"ns" : "stocks"
指定对哪个collection运行group命令
"key" : "day"
指定按那个key进行分组
"initial" : {"time" : 0}
累计器初始值，每个分组第一次调用reduce方法的时候传递给它的值，在一个分组里边，始终使用同一个累计器，对累计器的修改会被保持下来。
"$reduce" : function(doc, prev) { ... }
collection里的每个document，都要对之调用reduce方法，传递两个参数给它，第一个是当前的document，第二个是累计器document，累计器document就是到目前为止分组内的计算结果。（ps：不知道它为啥起个名字叫prev，使用total啊accumulation之类的不是更容易理解些，我一眼看上去还以为是前一个document。）我们这个例子里，使用reduce方法来比较当前的document和累计器document的时间，如果当前document的时间更靠后些的话，就是用当前document的值替换累计器document的值。因为每个组都有各自的累计器，勿需担心日期的不同对累计器的影响。

先前我们说的是取最近30天的价格，我们可以加一个条件，满足条件的才会处理

> db.runCommand({"group" : {

... "ns" : "stocks",

... "key" : "day",

... "initial" : {"time" : 0},

... "$reduce" : function(doc, prev) {

... 　　if (doc.time > prev.time) {

... 　　　　prev.price = doc.price;

... 　　　　prev.time = doc.time;

... }},

... "condition" : {"day" : {"$gt" : "2010/09/30"}}

... }})

如果某些document没有day这个键的话，它们就会被归入到day：null这个组，你可以给condition加个条件"day" : {"$exists" : true}来排除这个组。

使用终结器（Finalizer）

终结器用于最小化从数据库到用户的数据，我们看一个博客的例子，每篇博客都有几个标签，我们想找出每天最流行的标签是什么。那么我们按照日期进行分组，对每个标签计数：

> db.posts.group({

... "key" : {"tags" : true},

... "initial" : {"tags" : {}},

... "$reduce" : function(doc, prev) {

... 　　for (i in doc.tags) {

... 　　　　if (doc.tags[i] in prev.tags) {

... 　　　　　　prev.tags[doc.tags[i]]++;

... 　　　　} else {

... 　　　　　　prev.tags[doc.tags[i]] = 1;

... 　　　　}

... 　　}

... }})

返回的结果是下边这个样子

[

{"day" : "2010/01/12", "tags" : {"nosql" : 4, "winter" : 10, "sledding" : 2}},

{"day" : "2010/01/13", "tags" : {"soda" : 5, "php" : 2}},

{"day" : "2010/01/14", "tags" : {"python" : 6, "winter" : 4, "nosql": 15}}

]

实际上我们需要的只是值最大的那个标签，并不需要将整个tags返回给客户端，这就是group命令里可选的键"finalize"存在的原因。finalize指定一个函数，在结果返回给客户端之前，每个分组都会执行一次这个函数。我们使用finalize来去掉不需要的部分。

> db.runCommand({"group" : {

... "ns" : "posts",

... "key" : {"tags" : true},

... "initial" : {"tags" : {}},

... "$reduce" : function(doc, prev) {

... 　　for (i in doc.tags) {

... 　　　　if (doc.tags[i] in prev.tags) {

... 　　　　　　prev.tags[doc.tags[i]]++;

... 　　　　} else {

... 　　　　　　prev.tags[doc.tags[i]] = 1;

... 　　　　}

... 　　},

... "finalize" : function(prev) {

... 　　var mostPopular = 0;

... 　　for (i in prev.tags) {

... 　　　　if (prev.tags[i] > mostPopular) {

... 　　　　　　prev.tag = i;

... 　　　　　　mostPopular = prev.tags[i];

... 　　　　}

... 　　}

... 　　delete prev.tags

... }}})

使用函数作为分组key

有些情况下，你可能需要更复杂的分组规则，不是一个简单的key，那么你就可以用"$keyf"来定义一个分组函数。

> db.posts.group({"ns" : "posts",

... "$keyf" : function(x) { return x.category.toLowerCase(); },

... "initializer" : ... })

4.MapReduce

MapReduce可是聚合工具里的高级武器，其他工具能做的它能做，其他工具做不了的它也能做。MapReduce是一个在多个服务器间可以并行执行的聚合方法，它将问题分割成多个块，发送给不同的机器，让每个机器解决自己的部分，当所有的机器都完成之后，把所有的结果都合并起来。（ps：这说的貌似MapReduce最原初的概念，感觉跟我们下边的内容关系不大）

MapReduce分两步完成，第一步是映射（Map），将document里的键值投射为一组其他的键值对，第二步是精简（Reduce），将投射出来的键值对按照键合并，每个键最后只有一个值。（ps：这是我的理解，书上写的太拗口）

使用MapReduce的代价是速度，group的速度就不咋地，MapReduce更慢，所以一般都是作为后台任务执行，完成之后对其结果collection进行查询。

例子1：找出collection里所有的key

使用MapReduce解决这个问题确实是杀鸡用牛刀，我们主要是看看MapReduce是如何工作的。MongoDB是无结构的，所以它不会跟踪document里都有哪些key，我们在这个示例里对collection里的每个key的使用次数进行计数，不包括嵌入的document的key。

第一步，映射（Map）使用一个特殊的函数来返回值，这些值后边接下来处理，这个特殊函数就是emit。emit给MapReduce一个key和一个value，我们这个例子里，我们将document的每个key投射为一个记录其出现次数的数量{count : 1}，因为我们要分别记录每个key的出现次数，所以就需要对每个key调用emit函数。

> map = function() {

... for (var key in this) {

... 　　emit(key, {count : 1});

... }};

现在我们就有了很多的{count : 1}，每个都和collection里的一个key关联，相同key的这些{count : 1}构成一个数组被传递给reduce函数，reduce函数有两个参数，第一个是key，就是emit的第一个参数，第二个是数组，包含了被投射在这个key上的所有{count : 1} 。

> reduce = function(key, emits) {

... total = 0;

... for (var i in emits) {

... 　　total += emits[i].count;

... }

... return {"count" : total};

... }

对来自映射阶段或者前边的reduce阶段的结果，reduce函数必须能够对其重复调用，所以reduce返回的document必须能够重新传递给reduce函数（作为第二个参数）。

MapReduce函数的调用结果如下：

> mr = db.runCommand({"mapreduce" : "foo", "map" : map, "reduce" : reduce})

{

"result" : "tmp.mr.mapreduce_1266787811_1",

"timeMillis" : 12,

"counts" : {

　　"input" : 6

　　"emit" : 14

　　"output" : 5

"ok" : true

}

"result" : "tmp.mr.mapreduce_1266787811_1"
存储MapReduce结果的collection的名字，这是个临时的collection，连接关闭后即被删除。我们可以指定一个好听点的名字，并将这个collection永久保存，稍后会讲到。
"timeMillis" : 12
操作花费的时间，单位毫秒
"counts" : { ... }
"input" : 6    传递给map函数的document数量
"emit" : 14    map函数中调用emit函数的次数
"output" : 5   结果集collection中document的数量

对结果集collection执行查询就可以看到所有的key和出现次数了

> db[mr.result].find()

{ "_id" : "_id", "value" : { "count" : 6 } }

{ "_id" : "a", "value" : { "count" : 4 } }

{ "_id" : "b", "value" : { "count" : 2 } }

{ "_id" : "x", "value" : { "count" : 1 } }

{ "_id" : "y", "value" : { "count" : 1 } }

例子2：对网页分类

假设我们有个网站，用户可以提交通向其他页面的链接，用户可以给链接添加一些标签标明这个链接和特定的主题关联，如"政治","极客”,"icanhascheezburger"等。（ps：icanhascheezburger是个网站，主题内容是些搞笑的猫咪图片，配些文字说明)我们可以用MapReduce找出那些主题是最近流行的。

首先，我们需要一个map函数，根据流行程度和最新程度将标签投射为一个值。

map = function() {

　　for (var i in this.tags) {

　　　　var recency = 1/(new Date() - this.date);

　　　　var score = recency * this.score;

　　　　emit(this.tags[i], {"urls" : [this.url], "score" : score});

　　}

};

然后，我们将投射到每个标签的值精简为一个值

reduce = function(key, emits) {

　　var total = {urls : [], score : 0}

　　for (var i in emits) {

　　　　emits[i].urls.forEach(function(url) {

　　　　total.urls.push(url);

　　}

　　　　total.score += emits[i].score;

　　}

　　return total;

};

这样，结果集里就包含了每个标签的一个url列表和一个标识其流行度的总得分。

ps:

我们和关系数据库比较一下更容易看到它的关键之处，关键之处就在于emit函数的第一个参数，sql中使用"group by 字段"进行分组，字段的每个不同值就是一个组，而MapReduce中是使用emit为每个字段不同值创建一个key和一个值的数组。简单说，sql的group by用的是字段名，emit用的是字段的值。明显MapReduce更加灵活强大一些。

mongoDB和MapReduce

使用MapReduce命令，除了指定mapreduce,map,reduce这三个必须的键之外，还有很多其他的可选的键。